用于基于骨架动作识别的层次化增长网格网络

本文通过应用多层增长网格神经网络,开发了一种用于动作识别的新型认知架构。使用这些层使系统能够自动排布其表征结构。除增长阶段中神经映射的扩展外,系统还被赋予输入空间的先验知识,这提高了学习阶段的处理速度。除两层增长网格网络外,该架构由预处理层、有序向量表示层与单层监督神经网络组成。这些层被设计用于解决动作识别问题。第一层增长网格接收人体动作的输入数据,神经映射通过连接训练映射的诱发激活为每个动作序列生成动作模式向量。模式向量随后被送至有序向量表示层,为第二层增长网格构建关键激活的时不变输入向量。第二层增长网格将输入向量分类至相应动作簇/子簇,最后单层监督神经网络用动作标签标注成形的簇。使用不同动作数据集的三组实验表明,系统能够快速高效地学习对动作分类。增长网格架构的性能与基于自组织映射的系统结果相比较,显示增长网格架构在动作识别任务上表现显著更优。