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！

龙图腾网获悉浙江大学申请的专利基于空间和长短期时序特征建模的小样本动作识别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：CN115512437B 。

龙图腾网通过国家知识产权局官网在2026-03-31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：202211123261.3，技术领域涉及：G06V40/20；该发明授权基于空间和长短期时序特征建模的小样本动作识别方法是由刘勇;幸家正;王蒙蒙设计研发完成，并于2022-09-15向国家知识产权局提交的专利申请。

本基于空间和长短期时序特征建模的小样本动作识别方法在说明书摘要公布了：本发明涉及计算机视觉领域，公开了基于空间和长短期时序特征建模的小样本动作识别方法，构建了一种空间特征融合架构搜索单元，以自动搜索浅层和深层空间特征的最佳融合方式，来改善和增强空间表征；构建了一种长短期时序特征建模单元，以编码互补的全局和局部时序表征，来增强时序特征的表达能力。本发明利用交叉注意力机制完成类原型建立及匹配，将整合后的丰富的时空增强特征输入进帧级的类原型建立及匹配单元中，使系统能够在少量标记样本任务中准确、快速地识别目标动作。

本发明授权基于空间和长短期时序特征建模的小样本动作识别方法在权利要求书中公布了：1.基于空间和长短期时序特征建模的小样本动作识别方法，其特征在于，包括以下步骤： S1、构建空间特征融合架构搜索单元，用于自动搜索低级和高级空间特征的较优组合； S2、构建长短期时序特征增强单元； S3、利用交叉注意力机制构建类原型建立及匹配单元； S4、对网络模型进行训练，通过降低网络损失函数优化网络参数，直至网络收敛，获得基于空间和长短期时序特征建模的小样本动作识别方法； S5、利用所述基于空间和长短期时序特征建模的小样本动作识别方法在新的小样本任务中识别目标动作； 所述步骤S2具体包括以下步骤： S21、构建长期时序建模模块；根据提取的空间外观特征对全局时间关系进行建模；将空间增强后的视频特征图表示为，将重塑为一个序列，将在时间维度上做自注意力相关，具体为： ； 其中表示为L层的多头注意力机制；然后通过一个残差前馈网络对获得的特征进行指向性细化，以获得长期的时序特征，具体为： ； 其中表示层级归一化，表示多层感知机；将被重塑为原始输入形状，即[N,T,C,H,W]； S22、构建短期时序建模模块；在特征层面上对相邻帧之间的运动信息进行编码；给定一个空间增强后的视频特征图，使用可学习的权重获得query-key-value三要素具体为： ； 重塑将通道减少了r倍，并利用两个的通道卷积和作用在上，具体为： ； 其中代表通道和特征图的两个空间维度；和表示滤波器，下标表示内核的空间系数；在和之间的时间维度上做交错减法，以获得特征层面的运动信息，也就是和之间，具体为： ； 其中对于帧视频，；运动表征的时间维度是，用0来表示最后一个时间步骤的运动信息以帮助保持与输入特征图兼容的时间大小；将重塑为原始输入特征的形状以恢复通道的数量为C；将一个前馈网络FFN应用于运动注意力，得到最终输出，计算为： ； S23、做短期时序特征和长期时序特征的加权求和，得到强化时序特征，可学习参数为，具体为： ； 所述步骤S3具体包括以下步骤： S31、构建一个视频的帧级的特征表示，代表帧特征表达，第i帧和第j帧的序列表示为，其中，，以此类推；对于任一元组，聚集一个行动类的支持视频中所有可能的子序列，以计算出一个特定查询的类原型，其中聚合权重是基于查询子序列和支持类子序列的交叉注意力； S32、查询视频特征表示为，特定查询类特征表示为，计算查询视频与支持集中的一个类别在多个候选组合上的距离D，具体为： ； 所述步骤S5具体包括以下步骤： S51、利用服务器执行测试视频片段生成单元，对一个视频的8个帧，，进行了均匀采样，作为输入，并在测试中对输入图片进行中心裁剪； S52、利用所述基于空间和长短期时序特征建模的小样本动作识别方法将查询视频被分配到与查询最接近的的类别，也就是。

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浙江大学，其通讯地址为：310000 浙江省杭州市西湖区余杭塘路866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。