买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京交通大学申请的专利一种基于多层级特征融合的行为识别方法及装置获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119625818B 。

龙图腾网通过国家知识产权局官网在2025-08-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411417104.2，技术领域涉及：G06V40/20；该发明授权一种基于多层级特征融合的行为识别方法及装置是由金一;李尚泽;苏楦雯;李浥东;王涛;王伟;段莉设计研发完成，并于2024-10-11向国家知识产权局提交的专利申请。

本一种基于多层级特征融合的行为识别方法及装置在说明书摘要公布了：本发明公开了一种基于多层级特征融合的行为识别方法及装置，包括步骤：步骤S1：多层级特征的收集；步骤S2：时序特征显著性表达；步骤S3：多层次特征融合方法；步骤S4；输出目标任务结果。本发明首次同时考虑了三维卷积神经网络中的时序感受野首先问题和不同运动速率分辨能力弱的问题，使三维卷积神经网络在维持计算开销变化不大的情况下有效提升行为识别的准确率。本发明设计了时序特征显著性表达机制，通过对特征进行显著性表达处理，获取全局时空信息，增强模型的长时序建模能力。设计多层级特征融合模块，利用不同层级特征对运动速率的感知能力，增强模型的分辨力，实现单输入源下不同动作速率的行为识别能力。

本发明授权一种基于多层级特征融合的行为识别方法及装置在权利要求书中公布了：1.一种基于多层级特征融合的行为识别方法，其特征在于，包括以下步骤： 步骤S1：多层级特征的收集； 构建三维卷积神经网络模型，对行为识别网络中的不同层级特征进行提取，实现多层级特征的收集； 步骤S2：时序特征显著性表达； 经过步骤S1的操作，获取包含时空信息的三维特征图； 通过时序特征显著性表达方法，获取全局信息，通过对时序维度特征的压缩和激励完成特征显著性表达并实现长时序建模，具体包括： 步骤S2-1：压缩； 将整体特征图压缩到时序维度再进行激励操作，让时序信息在本层交互之前不互相扰乱； 对本层特征进行平均池化操作，获得时序层面的独立特征表达，产生的特征再进行接下来的特征激励，实现全局时序特征建模； 公式中Γ是reshape操作，在调换特征图中时序维度和通道维度后进行平均池化操作，其中t为整个采样中的第t帧特征，i，j为特征点的空间位置，通过对采样出的特征对通道和时序维度进行调换再池化，得到该帧压缩后的时序特征表达； 步骤S2-2：激励； 时序激励操作通过利用压缩获得的时序层面特征，把控全局权重，学习时序维度的上下文关系，更好的帮助最终预测时挖掘出有代表性的时序特征表达； 通过使用ReLU、Sigmoid和全连接层来实现激励操作： M＝fexFSqueeze＝σW2δW1FSqueeze其中σ为Sigmoid函数，σ是ReLU函数， 为了得到显著性映射图M，激励操作使用较少的计算量推算出视频段的显著动作区域，最终输出映射图 步骤S2-3：全局时序映射； 将映射图加持到整个特征之上，对映射图进行广播操作得到激励后的特征； 广播后的映射图在通过元素层面乘法重新对特征图计算，完成了特征的时序激励操作： Fex＝FanM×Fbase 具体计算方法如下，Fan将输入的映射图M进行广播操作，拓展为于特征图大小一致的映射图，通过元素层面乘法与原特征图Fbase得到激励后的特征Fex； 步骤S3：多层次特征融合方法； 获得激励后的全局特征后，需要对金字塔结构的特征进行融合操作，以确保最终的预测结果是基于不同层次，不同运动速度下的特征综合得出的，具体步骤为： 步骤S3.1，对不同特征进行平均池化操作，将不同层次的特征空间尺寸调整到与最后一层特征尺寸相同； 步骤S3.2，在进行平均池化操作后，对不同层次的特征在通道维度进行拼接操作，汇总金字塔结构中所有层级的特征； 步骤S3.3，融合； 采用三维卷积核，对不同层次拼接后的特征进行时空特征挖掘，修正融合特征Ffusion的通道数量； 融合特征尺寸和通道数量与骨干网络的最后一层输出特征尺寸对齐； 融合方法以下公式进行计算； 其中为第n层级特征激励后的特征，共有4层特征，n为4； Conv为卷积运算； pool为平均池化操作，将不同层级的特征进行空间尺寸对其； Concat做通道层面拼接操作，将不同层级特征进行拼接，拼接后得到多层级特征融合后的特征Fmff； 步骤S4；输出目标任务结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京交通大学，其通讯地址为：100044 北京市海淀区西直门外上园村3号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。