新書推薦：
《
千万别喝南瓜汤（遵守规则绘本）
》
售價：NT$
203.0
《
大模型启示录
》
售價：NT$
510.0
《
东法西渐：19世纪前西方对中国法的记述与评价
》
售價：NT$
918.0
《
养育男孩：官方升级版
》
售價：NT$
230.0
《
小原流花道技法教程
》
售價：NT$
500.0
《
少女映像室 唯美人像摄影从入门到实战
》
售價：NT$
505.0
《
詹姆斯·伍德系列：不负责任的自我：论笑与小说（“美国图书评论奖”入围作品 当代重要文学批评家詹姆斯·伍德对“文学中的笑与喜剧”的精湛研究）
》
售價：NT$
398.0
《
武当内家散手
》
售價：NT$
230.0
|
| 內容簡介： |
|
本书致力于在课堂学习行为分析这一精细领域利用基于深度学习的计算机视觉技术推动教育智能改革，为实现个性化教学、提升教学质量、促进教育公平提供一系列方法和策略。本书系统的介绍了计算机视觉技术与课堂学习行为相结合的这一必然发展趋势，从数据集构建、关键技术的模型方法提出、精准的应用实施三个方面展开了细致的论述。其中涉及的计算机任务主要包括面部表情识别、视线估计、头部姿态估计以及人体姿态估计，通过总结过去十余年课题组在这些方面的实践经验，以期为国内探索实现规模化教育与个性化培养的有机结合提供一定的借鉴和指导。
|
| 關於作者： |
|
刘海，在课堂学习行为分析、学习资源适配、机器学习、数据挖掘、智能信息处理、计算机视觉等方面具有良好的研究基础。近些年来，在国家重点研发计划、湖北省自然科学基金、\香江学者”人才计划等项目的支持下，对上述领域进行了系统而广泛的研究，在理论研究和应用扩展方面取得了大量的成果，积累了宝贵的经验，能熟练掌握相关领域核心算法的设计与实现方法，已在国内外知名期刊和学术会议上发表了学术论文100余篇，其中以作者（通讯作者）发表SCI、SSCI、CSSCI期刊论文80余篇，中科院一区IEEE trans系列18篇，11篇入选ESI高被引论文; 申请国家发明专利30余项，授权6项。曾荣获湖北省科学技术进步一等奖（2020）、高等学校科学研究优秀成果奖（科学技术）科技进步奖一等奖（2019）。
|
| 目錄：
|
|
部分 背景与理论第1章 背景与意义21.1 国家重视课堂学习行为分析的引领作用21.1.1 课堂学习行为分析是落实个性化培养的重要举措21.1.2 课堂学习行为分析是加快教育新基建的重要举措31.1.3 课堂学习行为分析是促进教育“以人为本”发展的重要举措41.1.4 其他国家在“人工智能+教育”领域的行动计划51.2 要解决的问题61.3 国内外的研究现状91.3.1 课堂学习行为的视觉感知91.3.2 分析国内外的研究现状101.4 视觉感知原理191.4.1 计算机视觉驱动的行为感知基础191.4.2 课堂学习行为的理解与认知211.4.3 课堂学习行为的智能评测211.5 总体研究框架22参考文献23第2章 学习者兴趣建模理论模型312.1 兴趣概念的界定与分类312.1.1 兴趣的概念界定312.1.2 不同角度的分类322.2 兴趣的获取方式与表示方法332.2.1 兴趣的获取方式332.2.2 兴趣的表示方法332.3 学习者兴趣建模342.3.1 学习者兴趣模型的概念框架342.3.2 学习者兴趣模型的表示方法372.4 学习者兴趣模型量化指标分析382.4.1 课堂注意力量化指标382.4.2 课堂参与度量化指标402.4.3 学习情感的量化指标422.5 学习者兴趣模型量化分析技术432.5.1 兴趣量化指标的采集方法442.5.2 单维度的兴趣指标量化技术48参考文献52 第二部分 关键技术第3章 课堂学习行为数据集构建563.1 头部姿态的数据集563.1.1 采集场景设计与布置573.1.2 方案规划与数据采集603.1.3 数据后处理及数据库设计613.2 人体姿态的数据集633.3 已有的数据集643.3.1 面部表情图像数据集643.3.2 视线估计数据集的介绍663.3.3 头部姿态数据集的介绍683.3.4 人体姿态数据集的介绍703.4 参考鼠标轨迹数据的面部表情图像标注713.4.1 摄像头和鼠标轨迹数据的采集与处理713.4.2 标注方法的选择与数据标准的一致性检验743.5 数据集建立小结79参考文献79第4章 面部表情识别方法824.1 基础824.1.1 人工神经网络824.1.2 卷积神经网络864.1.3 图卷积神经网络884.1.4 标签分布学习技术914.2 基于高斯先验分布的表情识别方法924.2.1 情感标签分布设计934.2.3 基于标签分布学习的表情识别模型构建964.3 基于图卷积网络与K近邻图的面部表情识别994.3.1 面部表情特性的挖掘994.3.2 基于图卷积网络与K近邻图的情感标签分布构建1024.3.3 K近邻图的情感标签分布构建1054.3.4 情感标签分布建模与优化1064.4 建议及对未来的思考108参考文献109第5章 视线估计方法1115.1 基础1115.2 基于复合损失卷积神经网络的视线估计方法1125.3 基于头戴式设备的视线估计1155.3.1 校准数据的准备1175.3.2 HMD的自标定1185.3.3 3D的PoR估计1205.4 建议及对未来的思考121参考文献122第6章 头部姿态估计方法1236.1 基础1236.1.1 头部姿态低容忍性分析1236.1.2 精细化头部姿态标签设计1246.1.3 姿态表示差异性分析1256.1.4 基于矩阵费雪分布的旋转矩阵参数化1276.1.5 标签平滑正则化技术1296.2 各向异性的分布学习1306.2.1 头部姿态的两个观察及验证1306.2.2 各向异性的姿态分布模型构建1336.2.3 基于极大后验估计的损失函数推导1346.2.4 基于空间权重的网络架构1356.3 基于三元组架构的头部姿态估计1376.3.1 三元组网络架构1376.3.2 头部姿态精细化估计1386.3.3 基于三元组架构的精细化头部姿态估计模型1396.3.4 损失函数和模型优化1406.4 基于矩阵费雪分布的头部姿态估计方法1416.4.1 矩阵费雪分布模块构建1416.4.2 模型架构设计1426.4.3 损失函数和模型优化1436.5 建议及对未来的思考144参考文献145第7章 人体姿态估计方法1467.1 基础1467.1.1 基于深度学习的人体姿态估计方法介绍1467.1.2 目标检测1487.1.3 非极大值抑制1507.1.4 HRNet网络框架1517.1.5 姿态估计回归方式1527.2 基于骨骼线索感知的HPE模型构建1537.2.1 基于骨骼线索感知的高斯坐标编码1537.2.2 面向姿态估计的EHPE模型构建1587.3 基于像素表征学习的CHRNet网络设计1617.3.1 前背景权重组件1617.3.2 AF1-measure评估策略1627.3.3 CHRNet网络架构1637.4 建议及对未来的思考163参考文献164 第三部分 应用与未来趋势第8章 课堂学习行为的多模态融合1688.1 过程性的融合1688.1.1 多模态数据融合的层次1688.1.2 过程性融合的关键问题1698.2 决策性融合1728.3 混合性的融合1748.3.1 分层信息融合方法1758.3.2 混合性融合176参考文献177第9章 应用与未来趋势1789.1 应用1：智慧教室中的学生兴趣模型应用实例分析1789.1.1 《酸碱盐》案例基本信息1789.1.2 学习行为数据采集1809.1.3 学生的课堂兴趣量化分析1829.2 应用2：基于鼠标轨迹和面部表情的投入度分析1829.3 应用3：基于关键点位置信息的学习者课堂状态分析机制1859.3.1 学习者行为识别路线1869.3.2 学习行为分析指标1889.3.3 学习者行为状态判别系统构建1899.4 应用4：基于头部姿态的学习者注意力感知与分析1909.4.1 实验数据采集1919.4.2 学习者注意力感知分析1929.5 未来趋势195后记197
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
