江苏大学学报(自然科学版)

作者：詹永照1,2,孙慧敏1,夏惠芬1,任晓鹏1

单位：1. 江苏大学 计算机科学与通信工程学院， 江苏 镇江 212013; 2. 江苏大学 江苏省大数据泛在感知与智能农业应用工程研究中心， 江苏 镇江 212013

关键词：在线动作检测, 深度学习, 注意力机制, 编码, 上下文特征, Transformer, 类别关联特征学习

基金：国家自然科学基金资助项目(61672268)<br />

为了在在线动作检测中充分合理利用动作的上下文特征、与类别关联的特征和预测的未来特征快速检测相应动作，提出基于线性注意和类别关联特征学习的在线动作检测方法.该方法改进了Transformer构架，采用哈达玛积的轻型线性自注意实现Transformer视频上下文特征学习，以减少计算开销；其次对训练样本动作特征进行聚类，将视频序列上下文特征与动作类别特征进行关联学习，有效获得与类别关联的特征表达；最后融合动作的上下文特征、与类别关联的特征和预测的未来特征检测相应时刻动作，以提升动作鉴别性.在典型数据集上进行性能试验，完成了超参取值分析，对比了不同方法的工作精度和运行效率.给出了消融试验和可视化分析.结果表明：在Thumos14(TSN-Anet)、Thumos14(TSN-Kinetics)和HDD数据集上，所提出方法的mAP比Colar方法分别提高了0.2、0.5、0.2百分点，可见新方法优于目前较先进的Colar方法.

来源：2026年第1期

《江苏大学学报(自然科学版)》期刊编辑部

查看江苏大学学报(自然科学版)杂志2026年第1期