1.基于全局到局部的感受野搜索的动作分割模型获取方法，其特征是，包括：获取分割视频数据集，针对分割视频数据集，基于分割网络拓扑结构及随机初始化感受野膨胀率进行全局搜索，利用遗传算法的方法来寻找粗略感受野组合，基于遗传的全局搜索包括选择，交叉，突变过程；利用粗略的网络感受野组合重新初始化分割网络拓扑结构；基于分割视频数据集与重新初始化的分割网络拓扑结构，进行局部搜索，进行局部搜索时以预期指导的迭代局部搜索，以确定在全局搜索结构之上的更精细的膨胀率，得到性能更优的感受野组合；利用局部搜索得到的感受野组合重新初始化分割网络拓扑结构，利用分割视频数据集进行完整的分割网络训练，获得训练后的分割网络模型。
2.如权利要求1所述的基于全局到局部的感受野搜索的动作分割模型获取方法，其特征是，将待分割视频输入至训练后的分割网络模型进行视频动作分割。
3.如权利要求1所述的基于全局到局部的感受野搜索的动作分割模型获取方法，其特征是，分割网络拓扑结构具有L个卷积层，并且D是每一层中可能的膨胀率集合，每一层共L个感受野的组合表示为集合C，全局搜索的感受野搜索空间设置为D g ＝{d i ＝k i ,i∈[0,1,…T]}，其中k是所述搜索空间稀疏的控制器，T决定了最大可用感受野。
4.如权利要求1所述的基于全局到局部的感受野搜索的动作分割模型获取方法，其特征是，基于遗传的全局搜索包括选择，交叉，突变过程；其中，选择操作：感受野组合的总体描述为一组候选结构P＝{C i ,i∈[1,M]}，其中C i 是全局搜索空间中的候选结构，M是种群个体数；选择操作选择P中每个个体基于每个个体结构的估计性能：E(C i )＝f(V|C i ,θ n )；其中f用来评价指标，V是交叉验证集，模型训练n轮的参数为θ n ，每个C i 将被选择用于交叉操作，其被选择概率为： 进一步的，交叉操作：此操作将生成新的感受野组合样本，种群P中的每两个组合都交换组合为新的模式，同时保持局部结构，代替随机交换单个点，选择交换感受野组合的随机部分片段，具体来说，随机选择两个锚点并在锚点内交换片段组合以生成新样本；进一步的，变异操作：变异操作通过概率选择每个个体，以避免陷入局部最优结果，在所选个体的感受野组合中随机更改值来实现。
5.如权利要求1所述的基于全局到局部的感受野搜索的动作分割模型获取方法，其特征是，进行局部搜索时以预期指导的迭代局部搜索，以确定在全局搜索结构之上的更精细的膨胀率；假设第1层的感受野是D l ，利用卷积权重共享方案来强制学习感受野的重要权重w i ，以近似于概率质量函数；获得的近似概率质量函数时，首先在初始膨胀率附近均匀采样S个卷积膨胀率，得到T l ＝{d i |i∈[1,S]}，其中d i ＝D l -ΔD l +(i-1)·2ΔD l /(S-1)，ΔD l 用来控制精细程度；接着，基于由共享卷积权重和多个具有不同感受野膨胀率的分支组成的多层网络，每个分支都有唯一的权重来确定重要性，在搜索过程中，权重会使用梯度反向传播进行更新。
6.如权利要求5所述的基于全局到局部的感受野搜索的动作分割模型获取方法，其特征是，更新之后，将多层卷积层中的膨胀率设置为T l ，则标准化的近似概率密度函数PMF表示为： 则确定搜索到的期望感受野为
7.基于全局到局部的感受野搜索的视频动作分割方法，其特征是，包括：基于上述权利要求1-6任一所述的基于全局到局部的感受野搜索的动作分割模型获取方法获取动作分割模型；将待分割视频输入至训练后的分割网络模型进行视频动作分割。
8.基于全局到局部的感受野搜索的动作分割模型获取系统，其特征是，包括：全局搜索模块，获取分割视频数据集，针对分割视频数据集，基于分割网络拓扑结构及随机初始化感受野膨胀率进行全局搜索，利用遗传算法的方法来寻找粗略感受野组合，基于遗传的全局搜索包括选择，交叉，突变过程；利用粗略的网络感受野组合重新初始化分割网络拓扑结构；局部搜索模块，基于分割视频数据集与重新初始化的分割网络拓扑结构，进行局部搜索，进行局部搜索时以预期指导的迭代局部搜索，以确定在全局搜索结构之上的更精细的膨胀率，得到性能更优的感受野组合；分割网络模型训练模块，利用局部搜索得到的感受野组合重新初始化分割网络拓扑结构，利用分割视频数据集进行完整的分割网络训练，获得训练后的分割网络模型。
9.一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现上述权利要求1-6任一所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时执行上述权利要求1-6任一所述方法的步骤。
