6个研究背景和意义示例,教你写计算机时空图卷积论文

今天分享的是关于时空图卷积的6篇计算机毕业论文范文, 如果你的论文涉及到时空图卷积等主题,本文能够帮助到你

结合Alphapose与时空图卷积网络的康复动作识别

这是一篇关于姿态估计,时空图卷积,分层残差,注意力机制,康复动作识别的论文, 主要内容为疾病以及意外事故的发生会导致老年人产生运动障碍,病后的居家康复训练对于老人的健康尤其重要。智能化康复训练,通过识别患者动作与标准动作比对可实现居家康复训练的指导与监督。因此,本文对康复动作识别展开研究,设计了融入注意力机制的分层残差结构时空图卷积网络模型,然后与姿态估计Alphapose、目标检测以及跟踪算法融合实现多人动作识别。针对现有模型特征提取不充分以及单关节特征建模单一的问题,本文提出分层残差结构的时空图卷积网络模型Res2-STGCN。将原网络中的7层顺序结构的时空图卷积模块GT构造为分层残差结构GT-Res2Net,旨在不增加负载的前提下更细粒化提取多尺度特征以提升模型精度。针对Res2-STGCN在提取骨架信息多尺度特征的过程中,多层混合卷积融合了感受野的通道和空间信息,同时分层残差的“分组”机制降低了通道的相关度的问题,在GT-Res2Net后加入含有注意力机制的时空图模块GT-Attention组成新的模块,实现通道特征的自主调整。改进后的新模块与原模块构成新模型Res2SC-STGCN。肢干数据特征也蕴含大量与动作相关的信息,因此建立双流模型Res2SCs-STGCN,同时提取关节和肢干特征,实现了骨架数据的充分利用,并采用加权的方式对双流网络进行融合。上述改进模型仅针对单人动作进行识别,对于实际场景中的多人动作识别,本文借助目标检测、跟踪、姿态估计与改进后的模型融合实现。实验结果表明,在公共数据集NTU-RGB+D的两种划分准则下,最终获取的最优模型关节流Top-1精度分别达到88.60%和95.11%,肢干流Top-1精度分别达到90.58%和96.1 2%,融合Top-1精度分别达到91.66%和97.12%,相比基准网络(ST-GCN)均有较大提升,同时在自建康复数据集下识别率均达到97%以上。融合后的算法对于康复场景中不同情况下的多人动作识别均达到较好的效果。

结合Alphapose与时空图卷积网络的康复动作识别

基于时空深度学习的快递员揽件路线推荐方法研究

这是一篇关于揽件路径推荐,时空深度学习,时空图卷积,注意力,编码器-解码器的论文, 主要内容为近年来快递行业的智能化水平获得飞速提高,目前已基本实现了揽寄服务便捷化、生产流程信息化、服务能力多元化和内部作业自动化。但随着包裹数量的激增,现有的智能化水平依然无法解决现实中的许多问题,其中一项亟待解决的问题是合理规划快递员的揽件路线。智能揽件路线推荐系统的建设,既可以使快递公司达到降本增效的效果,也可以给用户带来更好的体验。通过对快递行业进行现状调研和数据分析后发现,目前在快递员揽件路径规划场景中,主要存在以下三个问题与挑战:(1)影响因素复杂。区域特征、交通流量、道路拥堵情况、天气等因素都有可能成为影响快递员揽件路线的因素。(2)多元时空约束复杂。揽件过程中要同时考虑包裹的空间地理位置、快递员的空间地理位置以及包裹最晚揽收时间等约束。(3)包裹列表动态变化。由于快递员揽件过程中随时都会增加新的包裹揽收任务,这样在训练神经网络模型时可能会造成混淆,不利于优质路线的生成。本文针对这些问题,开展了快递员揽件路径的推荐方法研究。首先,提出一种基于时空深度网络的快递员揽件路线推荐模型。通过快递员历史行为特征提取模块,从经验丰富的快递员身上学习揽件路线决策经验。由于经验丰富的快递员在揽件时会同时考虑道路拥堵情况、交通流量、区域特征等多重复杂影响因素。所以通过该模型学习经验丰富快递员揽件时的决策经验,可以间接地将多重影响因素考虑在内。通过实验证明,该模型效果使得最终的揽件路线更为合理,所消耗的揽件成本更小。其次,考虑揽件过程的时空复杂相关性问题,进一步提出了基于时空图卷积的揽件路线推荐模型。由于快递员的揽件数据属于时空数据,不仅要考虑到时间相关性、空间相关性,也要考虑到数据之间复杂的时空相关性。因此,该模型使用图卷积神经网络捕获揽件路径中各个节点之间的时空相关性。实验证明,此模型采用多层图卷积操作来捕获数据中的多元时空约束信息,通过聚合更多信息生成的揽件路线效果更优。最后,在真实应用场景产生的快递员揽件数据集上进行了大量实验,实验结果验证了本文提出的模型的有效性。由于真实揽件数据中包含快递员的自身揽件经验、交通路段的复杂性、数据中的多元时空约束等诸多信息,而以往研究中使用的自动生成的数据集并不能很好地体现这些复杂的影响因素,所以本文提出的解决思路和实验验证对于快递企业来说具有更大的实用价值。

特定领域下人体动作识别算法的研究与实现

这是一篇关于骨架动作识别,姿态估计,时空图卷积,注意力机制的论文, 主要内容为基于骨架的人体动作识别方法具有姿态数据特征明显、数据量小且不易受环境干扰等优势,在动作识别领域中取得突破性进展。本文将以特定领域下的考场环境为例,采用骨架数据对考场内考生的动作进行研究。分析考生动作中存在的问题,提出两种算法。由于国内外缺少考生动作检测系统,根据实际需求开发考生动作识别系统。手工设计的人体拓扑图结构在神经网络传输中结构固定不变,提取特征时无法获取全局信息。针对此问题,提出双模注意力时空图卷积网络。给出SGSAE模块,结合自注意力机制,对所有关节点之间的关系进行建模;给出MCA模块,引入通道注意力机制,融合通道特征。根据考生动作特点,构建考生动作数据集CAA。在自制数据集CAA中将动作识别准确率提升至53.7%;将Kinetics数据集中的Top1准确率提升至31.3%;在NTU-RGB+D60数据集中,CS的准确率提升至93.2%,CV的准确率提升至84.8%。针对动作特征相似以及时空特征无法统一建模的问题,提出多流多尺度统一时空图卷积动作识别方法。引入角度特征并给出两种角度计算方式,将节点、骨骼以及角度共同作为输入特征;给出统一时空图卷积方法,结合尺度运算,减少冗余权重。在考生动作数据集CAA中将动作识别准确率提升至60%;将Kinetics数据集中的Top1准确率提升至37.2%;在NTU-RGB+D60数据集中,CV的准确率提升至95%。针对考场内考生的动作识别任务,分析考试环境、提取考生姿态数据作为研究基础;设计并实现了考生动作识别系统。主要包含业务管理、数据管理、系统管理以及运维管理功能。使用动作识别算法检测出考生的异常动作,通过研判平台人工审核便可确定考生是否作弊。