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！

龙图腾网获悉电子科技大学申请的专利基于质量分数解耦的动作质量评估方法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：CN117275082B 。

龙图腾网通过国家知识产权局官网在2026-01-23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：202310465335.X，技术领域涉及：G06V40/20；该发明授权基于质量分数解耦的动作质量评估方法是由姬艳丽;郭坚峰设计研发完成，并于2023-04-26向国家知识产权局提交的专利申请。

本基于质量分数解耦的动作质量评估方法在说明书摘要公布了：本发明公开了一种基于质量分数解耦的动作质量评估方法，根据实际需要收集若干对视频样本，进行采样和预处理得到视频片段并进行标签标注，构建包括动态流特征编码器、静态流特征编码器、质量分数解耦模块和成对排序模块的动作质量评估模型，采用标注好的视频样本对动作质量评估模型进行训练，对于需要进行动作质量评估的视频对，采用相同方法进行采样和预处理，得到视频片段并输入动作质量评估模型，得到评估结果。本发明通过将视频的片段特征解耦为高低质量分数特征，对成对视频进行动作质量评估预测排序结果，提高动作质量评估准确率。

本发明授权基于质量分数解耦的动作质量评估方法在权利要求书中公布了：1.一种基于质量分数解耦的动作质量评估方法，其特征在于，包括以下步骤： S1：根据实际需要收集若干对视频样本，对每个视频样本分别进行均匀采样得到N个帧数为K的视频片段，然后对所有视频帧采用预设方法进行预处理得到处理后的视频片段；对每个视频样本对进行标签标注：记视频对中两个视频分别为vi、vj，如果视频vi相较于视频vj的动作质量更优，则令标签为1，如果视频vi相较于视频vj的动作质量更差，则令标签为-1； S2：构建动作质量评估模型，包括动态流特征编码器、静态流特征编码器、质量分数解耦模块、级联模块和成对排序模块，其中： 动态流特征编码器用于对输入视频对中的两个视频vi、vj分别提取动态流特征，将得到的动态流特征FDi、FDj发送至质量分数解耦模块；动态流特征提取的具体方法为：对于视频的N个视频片段分别进行特征提取，每个视频片段提取得到维度为M的特征向量，将N个视频片段的特征向量作为行向量构成大小为N×M的特征矩阵，该特征矩阵即作为该视频的动态流特征； 静态流特征编码器用于对输入视频对中的两个视频vi、vj分别提取静态流特征，将得到的静态流特征FSi、FSj发送至质量分数解耦模块；静态流特征提取的具体方法为：对于视频的N个视频片段，在每个视频片段中分别抽取一帧图像进行特征提取，每帧图像提取得到维度为M的特征向量，将N帧图像的特征向量作为行向量构成大小为N×M的特征矩阵，该特征矩阵即作为该视频的静态流特征； 质量分数解耦模块用于对动态流特征和静态流特征分别进行解耦得到高质量分数特征和低质量分数特征，并与平均池化得到的平均质量分数特征共同发送给级联模块，质量分数解耦模块包括动态流特征平均池化模块、动态质量分数解码器、静态流特征平均池化模块和静态质量分数解码器，其中： 动态流特征平均池化模块用于分别对动态流特征FDi、FDj进行行向量平均，得到维度为M的平均特征向量作为动态流平均质量分数特征FDUi、FDUj； 动态质量分数解码器用于分别对动态流特征FDi、FDj进行解码，分别得到大小为2×M的动态分数特征矩阵，将对应动态分数特征矩阵中第一行行向量作为动态流高质量分数特征FDPi、FDPj，将第二行行向量作为动态流低质量分数特征FDCi、FDCj； 静态流特征平均池化模块用于分别对静态流特征FSi、FSj进行行向量平均，得到维度为M的平均特征向量作为静态流平均质量分数特征FSUi、FSUj； 静态质量分数解码器用于分别对静态流特征FSi、FSj进行解码，分别得到大小为2×M的静态分数特征矩阵，将对应静态分数特征矩阵中第一行行向量作为静态流高质量分数特征FSPi、FSPj，将第二行行向量作为静态流低质量分数特征FSCi、FSCj； 动态质量分数解码器和静态质量分数解码器基于Transformer解码器实现，动态质量分数解码器静态质量分数解码器包含G层网络，每层网络包含注意力模块、预测前馈网络和特征融合模块，其中： 注意力模块用于采用注意力机制对接收的特征进行处理，得到大小为2×M的特征矩阵并发送给预测前馈网络和特征融合模块，其中第g层网络中注意力模块的注意力机制中查询qg、键kg和值vg采用如下方式计算： qg＝WqgAg kg＝WkgF vg＝WvgF 其中，g＝1,2,…,G，当g＝1，大小为2×M，P1为M维向量，表示可学习的第1层的高质量特征原型，C1为M维向量，表示可学习的第1层的低质量特征原型，当g＝2,3,…,G，大小为2×M，Pg为M维向量，表示可学习的第g层的高质量特征原型，Cg为M维向量，表示可学习的第g层的低质量特征原型，Og-1表示上一层网络输出的2×M的特征矩阵，Self-attention表示自注意力机制；F的维度为N×M，表示输入视频的动态流特征或静态流特征；Wqg、Wkg和Wvg分别表示第g层可学习的三个线性投影矩阵； 预测前馈网络用于对接收到的特征进行处理，得到大小为2×M的特征矩阵并输出至特征融合模块； 特征融合模块用于将注意力模块输出的特征矩阵和预测前馈网络输出的特征矩阵进行相加得到融合特征矩阵，前G-1层的特征融合模块将融合特征矩阵输出至下一层的注意力模块，第G层的特征融合模块将融合特征矩阵作为动态分数特征矩阵或静态分数特征矩阵进行输出，第一行行向量作为动态流静态流高质量分数特征，第二行行向量作为动态流静态流低质量分数特征； 级联模块用于将同一视频的动态流质量分数特征和静态流特征分数特征进行特征级联，将级联得到的分数特征发送至成对排序模块，特征级联的具体方法为： 对于视频vi，将动态流平均质量分数特征FDUi和静态流平均质量分数特征FSUi进行级联得到平均质量分数特征FUi，将动态流高质量分数特征FDPi和静态流高质量分数特征FSPi进行级联得到高质量分数特征FPi，将动态流低质量分数特征FDCi和静态流低质量分数特征FSCi进行级联得到低质量分数特征FCi； 对于视频vj，将动态流平均质量分数特征FDUj和静态流平均质量分数特征FSUj进行级联得到平均质量分数特征FUj，将动态流高质量分数特征FDPj和静态流高质量分数特征FSPj进行级联得到高质量分数特征FPj，将动态流低质量分数特征FDCj和静态流低质量分数特征FSCj进行级联得到低质量分数特征FCj； 成对排序模块用于根据接收到两个视频的分数特征对两个视频进行质量排序，得到视频胜出结果；成对排序模块包括质量分数预测器、动作质量分数求和模块和成对排序预测器，其中： 质量分数预测器用于根据输入的三个分数特征预测得到三个动作质量分数并发送至动作质量分数求和模块，其中视频vi的平均质量分数特征FUi预测得到的动作质量分数为SrFUi，高质量分数特征FPi预测得到的动作质量分数为SrFPi，低质量分数特征FCi预测得到的动作质量分数为SrFCi；视频vj的平均质量分数特征FUj预测得到的动作质量分数为SrFUj，高质量分数特征FPj预测得到的动作质量分数为SrFPj，低质量分数特征FCj预测得到的动作质量分数为SrFCj； 动作质量分数求和模块用于对同一视频的三个动作质量分数进行求和，得到视频vi的动作质量分数Si＝SrFUi+SrFPi+SrFCi和视频vj的动作质量分数Sj＝SrFUj+SrFPj+SrFCj，然后将两个视频的动作质量分数发送至成对排序预测器； 成对排序预测器用于对视频vi和视频vj的动作质量分数进行比较，输出视频胜出结果，具体方法为：如果Si＞Sj，则视频vi胜出，预测评估结果为1；如果Si＜Sj，则视频vj胜出，预测评估结果为-1； S3：采用步骤S1中视频对中两个视频对的视频片段作为输入，标签作为期望输出，对动作质量评估模型进行训练，得到训练好的动作质量评估模型； S4：对于需要进行动作质量评估的视频对，分别对每个视频按照步骤S1中的相同方法进行采样和预处理，得到视频片段并输入至动作质量评估模型，得到评估结果。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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”。

以上内容由龙图腾AI智能生成。