文摘
随着信息时代的到来,人类对信息的需求越来越多。大数据的概念的出现引发了新一轮的技术革命,和视觉信息中发挥着重要作用。为了获得一个更好的3 d模型,本文研究了重建模型的训练运动3 d图像基于图形化的神经网络算法。本文研究散打从以下两个方面的问题。首先,我们试着应用两个深学习算法,图形化神经网络和递归神经网络,拳击运动识别任务,比较影响二次判别分析和支持向量机。通过比较和分析不同网络结构的影响深度学习算法,得出递归神经网络实际应用的优势超过图神经网络在网络结构参数调优。
1。介绍
随着信息时代的到来,人类对信息的需求越来越多。视觉信息占有重要位置的信息需求,和图像视觉信息的主要组成部分。随着电子技术的迅速发展,有很多适合图像信息采集设备。不同的设备有不同程度的影响成像的质量,而成像环境也会影响图像的质量(1]。虽然好的电子成像设备可以提高成像质量的图像,然而,由于其成本高,通用性差,也就是说,不同的成像结果将会出现在不同的环境中,它不能完全克服外部环境条件造成的不利影响。总之,改善图像质量并不仅仅依靠成像设备(2]。数字图像处理技术是一系列由计算机图像处理的目的,实现原始图像处理的重要组成部分。在数字图像处理中,图像增强技术占据了一个重要的研究工作(3]。图像增强过程可以突出图像的细节,从而提高图像的清晰度。这种技术不仅成本低,而且高度适应性强,所以它是图像处理技术的一个组成部分4]。
近年来,图像重建技术的图像增强技术,得到了许多研究者的关注。图像重建算法的目标是提高低分辨率图像与高分辨率图像清晰的细节。图像重建是一个病态问题由于不可逆图像退化过程(5]。重建高分辨率图像有不同的应用场景的类型取决于图像已经损坏。高分辨率图像包含更详细的信息,可以有效地支持许多计算设备的功能实现,如大型计算机、高清电视、手持设备、平板电脑和相机(6]。此外,超分辨率图像重建技术有着重要的应用程序在目标探测等静态场景(特别是小型对象检测),在监控视频人脸识别,医学图像处理、遥感成像、天文成像,图像处理和法医7]。
本文分为五个部分:部分1提供了研究背景;部分2的文献综述和分析问题的研究成果;部分3描述了神经网络算法与图的介绍;部分4图的是一个特定的实验分析神经网络,它显示了神经网络图进行三维图像重建的争吵的行动和选择两组运动员进行比较;和部分5本研究的结论。
2。相关的工作
以下分析是可用的图像重建问题。首先,问题是一个反问题,不适用(8,9]。重建高分辨率图像的低分辨率图像相同,有多种解决方案,而不是一个独特的解决方案(10- - - - - -12]。因此,解决方案空间需要减少基于精确的先验信息。第二,问题的难度增加比例因子时大。复杂因素的干扰,图像细节信息的丢失,使重建过程更加复杂,可能会导致错误信息的复制13,14]。
超分辨率图像重建方法大致可分为三大类别根据其处理:interpolation-based方法、reconstruction-based方法和基于深度学习方法(15,16]。近年来,深学习方法已经成为一个蓬勃发展的技术和以指数速度增长,及其对超分辨率重建任务的性能远远高于传统的重建方法(7,17,18]。深度学习的目的是自动学习输入和输出之间的关系的信息数据使用人工神经网络模型构建人类控制(19- - - - - -21]。深度学习方法依赖于一个数据驱动的方法与训练优化优化方法获得最优的网络模型,使用可以直接从低分辨率图像重建高分辨率图像和重建的图像有更详细的信息22]。虽然传统的机器学习算法可以得到期望的识别精度在某些特定的模式识别任务,他们遭受泛化能力不足在处理一些问题时大变化数据特性(23]。针对这一点,我们试图利用深度学习分类算法泛化能力较强。图神经网络(GNN)是一种高效的分类算法,近年来发达国家和发展,充分吸引了广泛的关注。在本文中,我们研究了图像重建方法基于GNN深度学习方法,利用神经网络的原理(24]。
3所示。引入神经网络算法相关图
3.1。原理图的神经网络算法
这项研究集中在运动员拳击识别任务,这是确定的当前状态的运动员,使用模式识别的方法,通过使用运动或生物从腿上的传感器返回的信息。当我们进行模式识别,使用传感器提供的数据作为输入,和相应的地形此刻作为输出,这是一个监督学习任务,我们可以使用各种算法包括机器学习和深度学习分类。
在1960年代,休博尔和威塞尔分析了神经结构用于当地的敏锐度和猫皮层的定向选择,得知他们的特殊连接结构可以有效地减少信息反馈神经网络系统的复杂性,导致GNN。第一个图的具体应用神经网络结构新的鉴别器指出k .福岛于1980年。自那时以来,更多的研究人员已经改善了这个模型。其中,经典的模型是“改善认知机”,亚历山大和泰勒,多种优化方法的优点相结合,避免了计算复杂的反向传播过程。
腿参数处理与语音信号在这项研究中有一些相似之处,两者都是分类和确认为时间序列信号。因此,借款的方式处理数据在语音识别研究中,腿部参数和时间序列构成的二维GNN网络输入数据,和分类的最终目的是通过多层网络结构的特征提取。GNN网络的结果我们主要应用在实验如图1。
其中,一层一层C代表卷积,卷积多个卷积内核与上一层的输入信息来提取共同的特征。卷积内核设置随机的初始权重,权重的卷积核逐渐收敛于一个稳定值随着网络不断接收新的训练数据,不断降低成本函数通过反向传播算法,神经网络学习的过程实际上是提取数据本身的特性。除了卷积内核重量、卷积核的大小和卷积内核的数量是两个参数需要设置人为的,也有一个伟大的影响最终的识别率。图中的S层代表汇聚层,通常与卷积层交替。这一层的主要目的是降低数据的维数由前池输入数据层,可减少计算和避免过度拟合训练数据的问题经常发生在深学习算法。池方法用于本文上一层中的数据除以一定比例,然后平均每一块。其中,部门的比例也是一个可调参数。的网络,本研究使用softmax分类器之前提取的特征信息映射到步态分类。
GNN是一种常见的工具在处理连续数据,核心理念是,每当一个新样本添加,而不是直接重建一个新的知识库,只有信息带来的新样本上调整现有的培训模式。有许多GNN结构,每个结构的最重要的一点是如何评估之间的相似程度,新样品和模型的问题。这决心标准影响的新样品随后改变旧的数据库。我们使用GNN算法为智能设计的小腿腿在我们的研究中;该算法改进识别任务的准确性在天之前的研究中从60%降至88.8%,但参与实验的天数为cross-day测试只有两天;我们改进和扩展的基础上,本研究。
3.2。神经网络图自动标记
为了自动化培训过程,识别器首先需要实现自动模式识别新完成的步态周期的腿用户。我们在实验中使用一个动态的基于时间的正则化算法[38]。这是一个工具来确定两个时间信号的相似性,和它在处理信号的时域长度是灵活的。结果如图所示2。
这种方法的目的是匹配一个序列X一定长度的模板序列,在两个序列可以表示如下: 在哪里 , ,和x和米向量包含10 IMU信息的渠道。定义成本矩阵 ,的元素 。定义的路径 ,在哪里 , , ,和 ;然后总成本的路径P可以表示为
此外,我们计算的累计成本 作为最优路径的成本 ,用以下表达式:
在这项研究中,序列 表示从一个完整的步态周期到下一个同样的脚,和J年代首先表示中包含的帧数步态周期。一个模板了为每个5每个主题的运动模式,自动标记过程中,IMU与模板的数据为每个完整步态周期完成,和运动模式对应于最小的成本是自动标记,如图3。
3.3。神经网络图像模板的一代
的模板类运动模式,可以计算一个主题由以下方程: 第一个数据点是一个规范化的IMU信号用于生成完整的模板和步态周期的数量属于第一类运动模式。应该注意的是,每个步态周期的长度并不是一个恒定值,因为会有一些科目的每个步骤之间的差异;因此,为了确保与步态周期步态周期在一个平等的百分比,我们使用三个样条函数插值步态周期 。 和表示数量的插值点的摇摆和支持阶段,分别。
3.4。神经网络后处理的图
处理的数据自动识别算法将被应用到随后的分类器训练,所以识别计算的准确性的动态时间正则化算法是影响识别效果的一个重要因素。为了减少错误的自动识别,我们添加两种方法进行数据后处理后的动态时间正则化计算数据。
首先,我们比较两个相邻完整步态周期的DTW结果是否相同,如果他们就不明智了;swing阶段数据的自动识别结果之间的重叠两个步态周期从随后的模型再培训会议。的目的,这是自动过滤掉的数据不能被分类出现步态转换时(例如,从up-kick平走),和值得注意的是,实际使用的两条腿,步态转换通常发生在摆动阶段,如图4。
图5显示了一个电脑界面的截图在实验中用于接收数据。我们将使用压力传感信息把步态周期,而10频道的IMU数据用于后续分析包括三轴加速度,螺旋角,IMU1和滚动角和三轴加速度,IMU2螺距角和横摇角。
实验的情况是一样的。为了检查的有效性GNN和长时间的分类器和多个重复的日子穿实验,我们要求两个主题做很多天的实验中,实验组的数量和天数之间的实验如表所示1。相邻的实验之间的天数范围从1到21天,增加,设计检查间隔的长度对识别的影响效果。
3.5。神经网络分类器参数设置图
我们使用合格的过滤器来消除欧拉角的随机脉冲在处理原始信号被乌兹别克斯坦伊斯兰运动。如果两个相邻样本之间的绝对差异太大,超过一个阈值,后者被认为是随机噪声。踏板的力传感器被用来将一个完整步态周期分为两个阶段:支持(立场)和摇摆(摇摆),并定义两个步态事件:脚接触(FC)和送进(FO)。我们分段IMU数据使用滑动窗口长度和10 ms 300 ms的步长。
在这个实验中,我们使用QDA,支持向量机,GNN, RNN算法上一节中提到的分类器。SVM使用十二进制分类器在multiclassification一对一的战略任务中,决策模型是C-SVC多项式核函数。
GNN算法的网络结构如下:第一个隐层C1是卷积与五卷积内核层,每个大小为5×2;第二个隐藏层S1是一个池层池2×1的比例;第三个隐层C2是卷积与八卷积内核层,每个大小为4×2;第四个隐藏层S2是池层池2×1的比例。
RNN算法使用一个LSTM结构300 ms滑动窗口和10 ms滑步。
3.6。图神经网络评价方法
在这个实验中,我们仍然使用单独训练和测试阶段的摇摆和立场阶段,和所使用的评价方法之间的交叉测试组。测试组是两个科目的第一个实验的数据,而培训组的组合是来自过去5实验的数据。识别错误率定义如下: 在哪里表示中包含的总量数据集和测试数据表示数量的数据集的分类结果不匹配在实际测试手动标记。识别精度是通过减去1从1 。
因为地形的模式分类识别任务涉及多个模式,我们使用了混淆矩阵方法在评估识别效果,其表达式如下:
矩阵中的元素定义如下: 在哪里表示第一的总数测试数据和运动模式表示第一的数量运动模式确定为第一 。这样的表现让我们更直观地检查识别不同类别之间的关系。数值的大小混淆矩阵的对角元素也直接反映了识别率。
基于使用的算法学习研究,识别器的输出数据流和形成的N分(N= 5)多数投票被用来消除随机误差。后处理的自动识别,产品化阶段被认为是成功的,如果三个类别的判断正确地贴上的步态事件前五连续输出之间的后续运动临界。在这项研究中,识别精度分析的统计检验显著性水平为0.05。
在我们的研究中,我们使用了一个基于动态时间正规化的自动标记算法。对于该算法,我们老识别成功率定义如下: 在哪里表示数据集的数量正确使用动态时间正则化算法和自动识别表示数量的完成周期步参与自动识别过程。
在后处理过程中,我们也使用一个阈值价值进一步提高自动识别的准确性。SR值越小,精度越高老的动态时间正规化,但与此同时,参与模板生成的数据量越小。我们定义数据选择率如下:博士 在哪里表示数量的步态周期得到的距离动态时间正则化算法不到参数和表示的数量在实验中使用的所有完整步态周期。为了获得较高的识别率,同时保证足够的自动标记过程中涉及的数据量,不同的参数进行了测试,及其有效性测量使用两个指标,SR和博士。
4所示。结果与讨论
在以前的实验中,间隔天训练效果的影响只能评估中不同比例的实验数据训练集测试组在同一天,因为每个主题只有两天的实验数据作为分析的对象[38]。在这篇文章中,另一方面,我们通过实验收集了六天的实验/主题,这样我们可以检查的具体价值的影响的天数间隔运动模式的识别。
在图6的选择,我们可以看到值因学科而异。我们测试了不同主题的最佳值通过使用组间交叉测试在早上和下午当天,模式识别算法的长期和短期记忆。如表所示1话题1,识别精度是95.6%,数据选择率为96.3%时值为0.15。因此,价值k主题1保持不变在0.15在随后的实验。主题2,当价值是0.20,识别精度选择率可以达到92.7%,数据能达到94.2%,所以价值主题2是选为0.20的后续实验。
(一)
(b)
因为运动员不能手动标签运动模式在日常锻炼,我们可以使用在上一篇文章中描述的自动识别算法自动标签新获得的数据。实验验证这种增量学习策略的有效性,我们在腿部运动实验模拟训练的策略。
结果如图所示7,那里的水平坐标结果表明训练数据的第一个实验和测试数据的第一个实验。值得注意的是,在这个过程中,我们不使用自动贴标方法培训但使用手动标记方法进行训练和测试。可以看出,尽管实验之间的时间间隔设置用作训练集和第一个实验不断增加,识别率没有明显单调趋势,为主题。这表明之间的天数数据作为训练集和测试数据没有显著影响识别率的相似性之间的一些环境因素在实验训练集和测试集可能有更大的影响。
测试自动识别算法的有效性在cross-day实验中,我们比较两training-testing策略,识别错误率,结果如图所示8,在那里T表明一天的数据用于训练和另一天用于测试的数据,而一天的数据表明,作为一个模板,早晨(24组)一天的数据会自动识别,然后下午实验测试的数据与新模型。横向协调表明,第二个实验是用作培训组和第一个实验是用作测试组和对应和模型,分别。从图可以看出,所有识别错误率降低在使用自动标记算法。同时,出错率降低的程度与原始的高错误率。以主题1的结果为例,当使用获得的最高识别率为第五个实验的数据作为训练团体,并提高了识别率最使用后第五个实验作为自动识别的模板。因此,我们认为,使用两组数据之间的提高算法相似的环境因素可能是更好的运动模式识别的任务。
(一)
(b)
为了进一步验证autolabeling算法的有效性,我们将生成组织的培训效果与不同天的数据作为模板。结果如图所示9,在那里表明数据在训练和测试组的比例是1:1,没有autolabeling算法,培训组不包含数据从测试组的同一天。上午测试组中的数据自动识别,而下午数据用于测试。从图可以看出,随着参与生成自动识别模板的数据量增加,识别结果更好不管所使用的分类器。对于话题1,与其它培训组合相比,当使用QDA和GNN分类、识别AL4错误率下降最多,甚至低于AL5和AL4。数据添加5天作为模板生成,如图7所示,错误识别率也是最低的。这表明实验组的数据添加更多的匹配模板生成的测试组将大大提高识别效果。图中可以看到同样的现象9 (b)主题2,识别错误率减少得最多,和相应的图7也显示了错误率最低主题2。
(一)
(b)
综上所述,我们可以得出如下初步结论:(1)之间的间隔的长度培训组和测试组没有显著影响识别任务的准确性;(2)的组合训练识别率较低的测试结果没有自动识别,识别错误率降低最引入自动识别后,我们相信这样的组合有最好的匹配程度;和(3)实验组匹配度最高的一代库添加到模板,识别效果是最明显的改善自动识别测试完成后用这个模板。
5。结论
本文研究了松散的问题触及运动员在以下两个方面。我们尝试使用两个深学习算法,图形化神经网络和递归神经网络,在运动员拳击的动作识别任务并把他们与二次判别分析和支持向量机的影响。经过比较和分析不同网络结构的影响深度学习算法,得出复发性神经网络实际应用优势比图方面的神经网络参数优化的网络结构。四个分类器的性能,即二次判别分析,支持向量机,神经网络图,和递归神经网络,在上述识别任务然后比较和分析,并得出结论认为,长期和短期内存结构递归神经网络(一种)可以达到约95%识别准确率识别任务不同的数据组合,这是高于其他三个。支持向量机有第二高的识别率,图形化神经网络第二,二次判别分析最坏的打算。
基于上述结论,我们也有一些对未来的观点。理想情况下,我们希望能够测试新数据通过使用数据过去的几天培训,找出最佳匹配的数据过去几天的新数据和使用它作为一个模板自动识别的新数据。然而,在实践中,由于计算能力的限制,我们不能使用在线实时培训来实现上述战略。因此,一方面,我们可以提高在线培训的速度通过硬件加速和并行计算。另一方面,我们也可以试着找到一个更聪明的训练策略,使历史数据更好地支持新的数据。这些都是未来的方向,可以探讨。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是支持山西Dankook大学的大学和研究生院。