基于融合注意力机制与CNN-LSTM的人体行为识别算法

摘要：

为解决单一的卷积神经网络(convolutional netral network,CNN)缺乏利用时序信息与单一循环神经网络(recurrent neural network,RNN)对局部信息把握不全问题,提出了融合注意力机制与时空网络的深度学习模型(convolutional neural net-work-long short term memory network-attention mechanism,CLA-net)的人体行为识别(Human activity recognition,HAR)方法.首先,通过CNN的强学习能力提取局部特征;其次,利用长短时记忆网络(long short term memory,LSTM)提取时序信息;再次,运用注意力机制获取并优化最重要的特征;最后使用softmax分类器对识别结果进行分类.仿真实验结果表明,CLA-net模型在UCI HAR和DaLiAc数据集上的准确率分别达到95.35％、99.43％,F1分别达到95.35％、99.43％,均优于对比实验模型,有效提高了识别精度.

关键词：深度学习、行为识别、卷积神经网络、长短期记忆网络、注意力机制

所属期刊栏目：23

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金;河南省高等学校重点科研项目;河南省科技攻关项目;河南省科技攻关项目

在线出版日期：2023-03-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：681-689