CN110378986B - 一种习题演示动画生成方法、装置、电子设备和存储介质 - Google Patents
一种习题演示动画生成方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110378986B CN110378986B CN201910672298.3A CN201910672298A CN110378986B CN 110378986 B CN110378986 B CN 110378986B CN 201910672298 A CN201910672298 A CN 201910672298A CN 110378986 B CN110378986 B CN 110378986B
- Authority
- CN
- China
- Prior art keywords
- animated
- animation
- feature vector
- standard
- demonstration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T13/00—Animation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提供了一种习题演示动画生成方法、装置、电子设备和存储介质,所述方法包括:获取待动画演示习题的影像;获取所述待动画演示习题的特征向量;在数据库中进行搜索,查找与所述待动画演示习题的特征向量相匹配的特征向量,将所述数据库中相匹配的特征向量对应的标准习题确定为与所述待动画演示习题对应的标准习题;获取与所述标准习题对应的动画模板;以及利用所述动画模板,生成与所述待动画演示习题对应的演示动画。本发明可以利用与待动画演示习题相对应的标准习题的动画模板生成演示动画,对于不同的习题只需提取对应的动画模板就可以简单快速的生成演示动画。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种习题演示动画生成方法、装置、电子设备和存储介质。
背景技术
随着计算机技术和教育信息化的不断推进,计算机技术已经逐步应用于日常的教育教学各项活动中,例如,动画教学越来越多地被应用到老师的教学活动中。目前的动画教学系统多半是针对讲解的知识点,根据知识点生成相应的知识点动画,但在习题讲解部分,由于习题的千变万化导致不能简单的利用知识点动画的生成方法去生成,制作成本较高。目前的习题讲解部分仍然是利用文字展示,以及题目解析也是利用文字展示,而文字展示通常比较枯燥,不够生动形象,也不利于学生更深刻的理解题目解析。
发明内容
本发明的目的在于提供一种习题演示动画生成方法、装置、电子设备和存储介质,可以利用与待动画演示习题相对应的标准习题的动画模板生成演示动画,对于不同的习题只需提取对应的动画模板就可以简单快速的生成演示动画。
为达到上述目的,本发明提供一种习题演示动画生成方法,包括:
获取待动画演示习题的影像;
获取所述待动画演示习题的特征向量;
在数据库中进行搜索,查找与所述待动画演示习题的特征向量相匹配的特征向量,将所述数据库中相匹配的特征向量对应的标准习题确定为与所述待动画演示习题对应的标准习题;
获取与所述标准习题对应的动画模板;以及
利用所述动画模板,生成与所述待动画演示习题对应的演示动画。
可选的,所述获取所述待动画演示习题的特征向量,包括:
采用预先训练的区域识别模型对所述待动画演示习题的影像进行识别处理,识别出习题区域,所述区域识别模型为神经网络模型;
采用预先训练的字符识别模型对所述习题区域进行识别处理,识别出所述习题区域中题干的文字内容,所述字符识别模型为神经网络模型;以及
将所述文字内容输入预先训练的题干向量化模型中,得到所述待动画演示习题的题干的特征向量,作为所述待动画演示习题的特征向量。
可选的,所述题干向量化模型通过以下步骤获得:
对第一习题样本训练集中每个习题样本进行标注处理,标注出每个习题样本中题干的文字内容;以及
利用神经网络对每个习题样本中题干的文字内容进行二维特征向量提取,从而训练得到所述题干向量化模型。
可选的,在所述待动画演示习题包含图片的情况下,所述获取所述待动画演示习题的特征向量,还包括:
在识别出所述习题区域后,将所述待动画演示习题中的图片输入预先训练的图片向量化模型中,得到所述待动画演示习题的图片的特征向量;以及
将所述图片的特征向量与所述题干的特征向量进行拼接,作为所述待动画演示习题的特征向量。
可选的,所述图片向量化模型通过以下步骤训练得到:
对第二习题样本训练集中每个习题样本进行标注处理,标注出每个习题样本中的图片;以及
利用神经网络模型对每个习题样本中的图片进行二维特征向量提取,从而训练得到所述图片向量化模型。
可选的,所述方法还包括,预先对数据库中的各个标准习题的特征向量建立索引信息表;
所述在数据库中进行搜索,查找与所述待动画演示习题的特征向量相匹配的特征向量,将所述数据库中相匹配的特征向量对应的标准习题确定为与所述待动画演示习题对应的标准习题,具体为:
在所述索引信息表中查找与所述待动画演示习题的特征向量相匹配的特征向量;以及
将相匹配的特征向量在所述索引信息表中对应的标准习题确定为与所述待动画演示习题对应的标准习题。
可选的,所述方法还包括:在建立所述索引信息表之前,将不同长度的特征向量按照长度进行分组;
所述在所述索引信息表中查找与所述待动画演示习题的特征向量相匹配的特征向量,具体为:
在所述索引信息表中与所述待动画演示习题的特征向量长度相同或近似的分组内,查找与所述待动画演示习题的特征向量相匹配的特征向量。
可选的,所述获取与所述标准习题对应的动画模板,具体为:根据数据库中预存的标准习题与动画模板的映射关系,从所述数据库中获取与所述标准习题对应的动画模板。
可选的,所述标准习题与动画模板的映射关系通过以下步骤获得:
根据标准习题的内容生成动画模板;以及
在数据库中预存标准习题与动画模板的映射关系。
可选的,所述动画模板通过以下步骤获得:
根据标准习题的内容,确定可编辑数据内容;以及
根据所述可编辑数据内容,确定演示数据内容和动态效果,从而生成与所述标准习题对应的动画模板。
可选的,所述利用所述动画模板,生成与所述待动画演示习题对应的演示动画,包括:
采用预先训练的区域识别模型对所述待动画演示习题的影像进行识别处理,识别出习题区域,所述区域识别模型为神经网络模型;
采用预先训练的字符识别模型对所述习题区域进行识别处理,识别出所述习题区域中题干和/或图片的文字内容,从而获取所述待动画演示习题中的数据,所述字符识别模型为神经网络模型;
根据所述动画模板,获取所述动画模板的可编辑变量;以及
将所述待动画演示习题中的数据代入到对应的所述可编辑变量中,生成与所述待动画演示习题对应的演示动画。
为达到上述目的,本发明还提供一种习题演示动画生成装置,包括:
第一获取模块,用于获取待动画演示习题的影像;
第二获取模块,用于获取所述待动画演示习题的特征向量;
查找模块,用于在数据库中进行搜索,查找与所述待动画演示习题的特征向量相匹配的特征向量,将所述数据库中相匹配的特征向量对应的标准习题确定为与所述待动画演示习题对应的标准习题;
第三获取模块,用于获取与所述标准习题对应的动画模板;以及
生成模块,用于利用所述动画模板,生成与所述待动画演示习题对应的演示动画。
可选的,所述第二获取模块包括:
第一识别子模块,用于采用预先训练的区域识别模型对所述待动画演示习题的影像进行识别处理,识别出习题区域,所述区域识别模型为神经网络模型;
第二识别子模块,用于采用预先训练的字符识别模型对所述习题区域进行识别处理,识别出所述习题区域中题干的文字内容,所述字符识别模型为神经网络模型;以及
第一获取子模块,用于将所述文字内容输入预先训练的题干向量化模型中,得到所述待动画演示习题的题干的特征向量,作为所述待动画演示习题的特征向量。
可选的,在所述待动画演示习题包含图片的情况下,所述第二获取模块还包括:
第二获取子模块,用于在识别出所述习题区域后,将所述待动画演示习题中的图片输入预先训练的图片向量化模型中,得到所述待动画演示习题的图片的特征向量;以及
拼接子模块,用于将所述图片的特征向量与所述题干的特征向量进行拼接,作为所述待动画演示习题的特征向量。
可选的,所述装置还包括:
预处理模块,用于预先对数据库中的各个标准习题的特征向量建立索引信息表;
所述查找模块,具体用于,在所述索引信息表中查找与所述待动画演示习题的特征向量相匹配的特征向量;以及
将相匹配的特征向量在所述索引信息表中对应的标准习题确定为与所述待动画演示习题对应的标准习题。
可选的,所述预处理模块,还用于在建立所述索引信息表之前,将不同长度的特征向量按照长度进行分组;
所述查找模块,具体用于,在所述索引信息表中查找与所述待动画演示习题的特征向量相匹配的特征向量;以及
将相匹配的特征向量在所述索引信息表中对应的标准习题确定为与所述待动画演示习题对应的标准习题。
可选的,所述第三获取模块,具体用于,根据数据库中预存的标准习题与动画模板的映射关系,从所述数据库中获取与所述标准习题对应的动画模板。
可选的,所述生成模块包括:
第三识别子模块,用于采用预先训练的区域识别模型对所述待动画演示习题的影像进行识别处理,识别出习题区域,所述区域识别模型为神经网络模型;
第四识别子模块,用于采用预先训练的字符识别模型对所述习题区域进行识别处理,识别出所述习题区域中的题干和/或图片的文字内容,从而获取所述待动画演示习题中的数据;
第三获取子模块,用于根据所述动画模板,获取所述动画模板的可编辑变量;以及
生成子模块,用于将所述待动画演示习题中的数据代入到对应的所述可编辑变量中,生成与所述待动画演示习题对应的演示动画。
为达到上述目的,本发明还提供一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现上述任一项所述的方法。
为达到上述目的,本发明还提供一种可读存储介质,所述可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法。
与现有技术相比,本发明提供的习题演示动画生成方法、装置、电子设备和存储介质具有以下优点:本发明通过获取待动画演示习题的影像,再通过所述待动画演示习题的影像获取其特征向量,然后通过在数据中进行搜索,查找与所述待动画演示习题的特征向量相匹配的特征向量,将数据库中相匹配的特征向量对应的标准习题确定为与所述待动画演示习题对应的标准习题,再获取与所述标准习题对应的动画模板,最后即可利用所述动画模板,生成与所述待动画演示习题对应的演示动画。由此可见,本发明可以利用与待动画演示习题相对应的标准习题的动画模板生成演示动画,对于不同的习题只需提取对应的动画模板就可以简单快速的生成演示动画。此外,本发明通过获取所述待动画演示习题的特征向量,并以特征向量的形式在数据库中进行查找,查找的效率更高,且不容易出错,从而可以快速且准确的找到与所述待动画演示习题相对应的标准习题。
附图说明
图1为本发明一实施方式提供的习题演示动画生成方法的流程图;
图2是本发明待动画演示习题的一个具体示例;
图3是图2所示待动画演示习题中的图片;
图4是本发明待动画演示习题的另一个具体示例;
图5为本发明一实施方式提供的习题演示动画生成装置的结构框图;
图6为本发明一实施方式提供的电子设备的结构框图。
其中,附图标记如下:
第一获取模块-201;第二获取模块-202;查找模块-203;第三获取模块-204;生成模块-205;处理器-301;通信接口-302;存储器-303;通信总线-304。
具体实施方式
以下结合附图1至6和具体实施方式对本发明提出的一种习题演示动画生成方法、装置、电子设备和存储介质作进一步详细说明。根据下面说明和权利要求书,本发明的优点和特征将更清楚。为了使本发明的目的、特征和优点能够更加明显易懂,请参阅附图。须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明的核心思想在于提供一种习题演示动画生成方法、装置、电子设备和存储介质,可以利用与待动画演示习题相对应的动画模板生成演示动画,对于不同的习题只需提取对应的动画模板就可以简单快速的生成演示动画。
为实现上述思想,本发明提供一种习题演示动画生成方法、装置、电子设备和存储介质。
需要说明的是,本发明实施方式的习题演示动画生成方法可应用于本发明实施方式的习题演示动画生成装置,该习题演示动画生成装置可被配置于电子设备上。其中,该电子设备可以是个人计算机、移动终端等,该移动终端可以是手机、平板电脑等具有各种操作系统的硬件设备。
请参考图1,示意性地给出了本发明一实施方式提供的习题演示动画生成方法的流程图,如图1所示,本发明提供的习题演示动画生成方法包括如下步骤:
步骤S101:获取待动画演示习题的影像。
待动画演示习题的影像可以为包含待动画演示习题的图像,在本实施方式中,可通过移动终端,例如智能手机、平板电脑等采集待动画演示习题的影像,或者也可以通过影像获取装置,例如照相机或摄像机等采集待动画演示习题的影像,又或者可以从互联网中搜集、获取待动画演示习题的影像。
步骤S102:获取所述待动画演示习题的特征向量。
优选的,所述待动画演示习题的特征向量可通过如下步骤获取:
采用预先训练的区域识别模型对所述待动画演示习题的影像进行识别处理,识别出习题区域,所述区域识别模型为神经网络模型;采用预先训练的字符识别模型对所述习题区域进行识别处理,识别出所述习题区域中题干的文字内容,所述字符识别模型为神经网络模型;以及将所述文字内容输入预先训练的题干向量化模型中,得到所述待动画演示习题的题干的特征向量,作为所述待动画演示习题的特征向量。
由此,可采用采用预先训练的区域识别模型对所述待动画演示习题的影像进行识别处理,以识别出习题区域。区域识别模型例如可以是基于深度卷积神经网络(Convolutional Neural Networks,CNN)的模型,通过对习题样本训练集中的样本进行训练得到的。利用训练好的区域识别模型从待动画演示习题的影像中提取二维特征向量,在二维特征向量的每个网格生成不同形状的锚点,使用标注框(Groundtruth Boxes)将识别出的习题区域进行标注,还可以将标注框与生成的锚点作回归(regression)处理,以使标注框更贴近习题的实际位置。
识别出习题区域后,可以利用字符识别模型识别出习题区域中题干的文字内容。在识别时,首先标注出习题中的各个组成部分,组成部分可以包括题干、答案或/和图片,进而通过字符识别模型识别出习题区域中题干的文字内容。其中,所述字符识别模型可以是基于空洞卷积和注意力模型建立的,具体的,可采用空洞卷积对题干、答案和/或图片对应的标注框进行特征提取,再通过注意力模型将提取到的特征解码成字符。
举例而言,如图2所示的待动画演示习题,习题中题干的文字内容为“4.小明走3分钟刚好到全程的一半,他家距离学校多少米?(6分)”,将该文字内容输入预先训练的题干向量化模型—sent2vec模型中,获得该题干的特征向量,特征向量可以表示为[x0,x1,x2…xn]。
其中,所述题干向量化模型可以是基于神经网络的模型,如CNN模型。所述题干向量化模型可通过以下步骤获得:对第一习题样本训练集中每个习题样本进行标注处理,标注出每个习题样本中题干的文字内容;以及利用神经网络对每个习题样本中题干的文字内容进行二维特征向量提取,从而训练得到所述题干向量化模型。其中,具体的训练过程属于现有技术,在此不做赘述。
所述题干中的文字可以是打印字体,也可以是手写字体,为了提高文字识别的准确率,针对不同字体采用不同的字符识别模型,所述字符识别模型可以包括针对打印字体的字符识别模型和针对手写字体的字符识别模型,所述针对打印字体的字符识别模型和所述针对手写字体的字符识别模型分别经过各自独立的训练而成。
当所述待动画演示习题包含图片时,所述待动画演示习题的特征向量的获取步骤还可以包括:
在识别出所述习题区域后,将所述待动画演示习题中的图片输入预先训练的图片向量化模型中,得到所述待动画演示习题的图片的特征向量;以及将所述图片的特征向量与所述题干的特征向量进行拼接,作为所述待动画演示习题的特征向量。
举例而言,以图2所示的待动画演示习题为例,习题的图片如图3所示,将图3所示的图片输入预先训练的图片向量化模型—image2vec模型中,获得该图片的特征向量,此特征向量可以表示为[y0,y1,y2,…,yn]。
对于包含图片的待动画演示习题,可以将所述待动画演示习题的图片的特征向量与图干的特征向量进行拼接,得到所述待动画演示习题的特征向量,举例而言,仍以图2所示的习题为例,拼接后得到的该待动画演示习题的特征向量为[x0,x1,…,xn,y0,y1,…yn]。
需要说明的是,当某一待动画演示习题中包含两个及以上图片时,分别将各个图片输入图片向量化模型中,得到各个图片的特征向量,然后依次将各个图片的特征向量与题干的特征向量拼接在一起。由于不同习题的图片数量以及题干的文字数量不同,因此得到习题的特征向量的长度也是不同的。
其中,所述图片向量化模型可以是基于神经网络的模型,如CNN模型,所述图片向量化模型可通过以下步骤训练得到:对第二习题样本训练集中每个习题样本进行标注处理,标注出每个习题样本中的图片;以及利用神经网络模型对每个习题样本中的图片进行二维特征向量提取,从而训练得到所述图片向量化模型。其中,第二习题样本训练集可以与第一习题样本训练集相同,也可以不同,本发明对此不做限定。另外,具体的训练过程属于现有技术,在此不做赘述。
步骤S103:在数据库中进行搜索,查找与所述待动画演示习题的特征向量相匹配的特征向量,将所述数据库中相匹配的特征向量对应的标准习题确定为与所述待动画演示习题对应的标准习题。
其中,可以通过向量近似搜索的方式,在数据库中查找与该待搜索题目的特征向量相匹配的特征向量,具体为在数据库中查找与该待搜索题目的特征向量距离最近的特征向量。可以理解的是,不同向量之间的相似性度量(Similarity Measurement)通常采用的方法就是计算向量间的“距离(Distance)”,常用的距离计算方式有:欧式距离、曼哈顿距离、夹角余弦(Cosine)等。本实施方式中采用的计算方式是夹角余弦。
为了提高搜索速度,所述方法还包括,预先对数据库中的各个标准习题的特征向量建立索引信息表。索引信息表中可以存储数据库中各个标准习题的特征向量以及标准习题的具体内容。
相应的,所述在数据库中进行搜索,查找与所述待动画演示习题的特征向量相匹配的特征向量,将所述数据库中相匹配的特征向量对应的标准习题确定为与所述待动画演示习题对应的标准习题,具体为:在所述索引信息表中查找与所述待动画演示习题的特征向量相匹配的特征向量;以及将相匹配的特征向量在所述索引信息表中对应的标准习题确定为与所述待动画演示习题对应的标准习题。
可以理解的是,在索引信息表中查找到相匹配的特征向量后,在所述索引信息表中找到对应的标准习题,此时可以获得对应的标准习题的具体内容(包括题目的题干、答案和/或图片)。
为了进一步提高搜索速度,所述方法还包括:在建立所述索引信息表之前,将不同长度的特征向量按照长度进行分组。由此,在所述索引信息表中查找与该待动画演示习题的特征向量相匹配的特征向量时,可以首先在所述索引信息表中定位到与该待动画演示习题的特征向量的长度相同或相近的分组,进而在所述索引信息表中与该待动画演示习题的特征向量长度相同的分组内,查找与该待动画演示习题的特征向量相匹配的特征向量。其中,分组时可以将长度相同的特征向量分为一组,也可以将长度在某个范围内的特征向量分成一组,本发明对此不做限定。可见,将不同长度的特征向量按照长度分组,可以使得后期搜索标准习题时根据特征向量的长度在相应分组内进行查询,有效提高习题搜索速度。可以理解的是,特征向量的长度不同是因为题干的文字数量不同导致的。
相应的,所述在所述索引信息表中查找与所述待动画演示习题的特征向量相匹配的特征向量,具体为:在所述索引信息表中与所述待动画演示习题的特征向量长度相同或近似的分组内,查找与所述待动画演示习题的特征向量相匹配的特征向量。
步骤S104:获取与所述标准习题对应的动画模板。
优选的,在本实施方式中,可根据数据库中预存的标准习题与动画模板的映射关系,从所述数据库中获取与所述标准习题对应的动画模板。
可选的,所述标准习题与动画模板的映射关系可通过以下步骤获得:根据标准习题的内容生成动画模板;以及在数据库中预存标准习题与动画模板的映射关系。
可选的,所述动画模板通过以下步骤获得:
根据标准习题的内容,确定可编辑数据内容;以及根据所述可编辑数据内容,确定演示数据内容和动态效果,从而生成与所述标准习题对应的动画模板。
以水箱注水类的习题为例,根据水箱容量(长宽高)数据以及注水流量数据来计算水箱注满水所需时间的演示动画,所述习题中的水箱容量(长宽高)以及注水流量数据作为动画模板的可编辑数据内容,即设为动画效果源代码中的可编辑变量,如果水箱容量(长宽高)以及注水流量的数据改变了,那么其生成的演示动画也会改变,从而展示出不同的动画效果。
动画模板是指通过预先设置的代码程序实现动画特效的模板。在本实施方式中,可以采用JS(JavaScript)、JSON、H5或CSS3等方式但不限制于以上方式实现动画模板的制作。
JS(即JavaScript)是一种直译式脚本语言,是一种动态类型、弱类型、基于原型的语言,内置支持类型;JS是广泛用于客户端的脚本语言,最早是在HTML(标准通用标记语言下的一个应用)网页上使用,用来给HTML网页增加动态功能,由于JS是一种基于对象的脚本语言,能运用已经创建的对象,通过对象方法的调用结合脚本的相互作用可以实现许多功能,因此采用JS可以有效创建动画特效。
JS对象标记(JavaScript Object Notation,JSON)是一种轻量级的数据交换格式。简洁和清晰的层次结构使得JSON成为理想的数据交换语言。易于人阅读和编写,同时也易于机器解析和生成,并有效地提升网络传输效率。
H5即HTML5的简称,是一种超文本标记语言,拥有包括语义特性、本地存储特性、设备兼容特性、连接特性、网页多媒体特性、三维、图形及特效特性和性能与集成特性等多重特性。H5中引入许多新元素和属性,赋予网页更好的意义和结构,提供前所未有的数据与应用接入的开放接口,使外部应用可以直接与浏览器内部的数据直接相连。
CSS3是CSS技术的升级版本,CSS(Cascading Style Sheets,即层叠样式表),在页面制作时采用CSS技术,可以有效地对页面的布局、字体、颜色、背景和其它效果进行更加精确的控制。在CSS中,只要对相应的代码进行修改,就可以改变同一页面的相应部分,或者修改数量不同的页面的外观和/或格式。
与以往的html版本语言相比,H5提供的开放接口,使其在不牺牲性能和语义结构的前提下,可与CSS3进行结合。与CSS相比,CSS3中新增的box-shadow、animation等属性和@keyframes等规则使通过代码实现图标和动画效果制作成为可能,不再完全依赖图片或者flash实现页面图片展示和动画特效展示,在页面中加入图片或者gif格式的flash的方法会增加服务器对图片的请求进而降低动画响应速度。
程序代码包括用于实现动画特效的特效函数,每一特效函数对应配置有位图参数和动画特效参数。位图参数是指特效函数所要实现的区域的位置参数和大小参数,该位图参数为形式参数,可通过后续参数传递进行更新,以确定其所要在界面上显示的实际位置和实际大小。动画特效参数是用于控制特效函数中具体特效效果的参数,动画特效参数与所要实现的动画特效相关联。
步骤S105:利用所述动画模板,生成与所述待动画演示习题对应的演示动画。
可选的,在本实施方式中,步骤S015可具体包括:
采用预先训练的区域识别模型对所述待动画演示习题的影像进行识别处理,识别出习题区域,所述区域识别模型为神经网络模型;
采用预先训练的字符识别模型对所述习题区域进行识别处理,识别出所述习题区域中题干和/或图片的文字内容,从而获取所述待动画演示习题中的数据;根据所述动画模板,获取所述动画模板的可编辑变量;
以及将所述待动画演示习题中的数据代入到对应的所述可编辑变量中,生成与所述待动画演示习题对应的演示动画。
在本实施方式中,通过先获取动画特效参数对象(待动画演示习题中的数据)以及动画生成执行代码,调用所述动画生成执行代码中的动画特效函数,再根据所述动画特效参数对象,对所述动画特效函数中的变量进行初始化,即将动画特效参数中的参数值赋予动画特效函数中对应的变量(可编辑变量),作为所述变量的初始值,最后执行赋予参数值后的动画生成执行代码,从而生成所述待演示习题的演示动画。
需要说明的是,在获取所述待动画演示习题中的数据时,数据不仅包括“456”等数字,也包括“四五六”“一半、两倍、几分之几”等具有数学含义的文字。当待动画演示习题包括题干和图片时,图片中也可能包含数据,因此,需要获取题干和图片中的数据,如图2所示的习题,题干中的数据为3、一半,图片中的数据为1、65,如图4所述的习题,题干中的数据为50、50、20、10,图片中的数据为50、50、20、10。
举例而言,以图4所示的待动画演示习题为例,所述待动画演示习题的动画特效参数对象包括50ml/s、50cm、20cm、10cm,将上述动画特效参数中的参数值,即50、50、20、10赋予动画特效函数中对应的变量,作为所述变量的初始值,即将注水流量数据替换为50ml/s,将水箱的长、宽、高分别替换为50cm、20cm、10cm,最后执行赋予参数值后的动画生成执行代码,从而生成所述待动画演示习题的演示动画。
综上所述,本发明提供的习题演示动画生成方法,通过获取待动画演示习题的影像,再通过所述待动画演示习题的影像获取其特征向量,然后通过在数据中进行搜索,查找与所述待动画演示习题的特征向量相匹配的特征向量,将数据库中相匹配的特征向量对应的标准习题确定为与所述待动画演示习题对应的标准习题,再获取与所述标准习题对应的动画模板,最后即可利用所述动画模板,生成与所述待动画演示习题对应的演示动画。由此可见,本发明可以利用与待动画演示习题相对应的标准习题的动画模板生成演示动画,对于不同的习题只需提取对应的动画模板就可以简单快速的生成演示动画。此外,本发明通过获取所述待动画演示习题的特征向量,并以特征向量的形式在数据库中进行查找,查找的效率更高,且不容易出错,从而可以快速且准确的找到与所述待动画演示习题相对应的标准习题。
与上述的习题演示动画生成方法相对应,本发明还提供一种习题演示动画生成装置,请参考图5,示意性的给出了本发明一实施方式提供的习题演示动画生成装置的结构框图,如图5所示,所述习题演示动画生成装置包括:
第一获取模块201,用于获取待动画演示习题的影像;
第二获取模块202,用于获取所述待动画演示习题的特征向量;
查找模块203,用于在数据库中进行搜索,查找与所述待动画演示习题的特征向量相匹配的特征向量,将所述数据库中相匹配的特征向量对应的标准习题确定为与所述待动画演示习题对应的标准习题;
第三获取模块204,用于获取与所述标准习题对应的动画模板;以及
生成模块205,用于利用所述动画模板,生成与所述待动画演示习题对应的演示动画。
可选的,所述第二获取模块202包括:
第一识别子模块,用于采用预先训练的区域识别模型对所述待动画演示习题的影像进行识别处理,识别出习题区域,所述区域识别模型为神经网络模型;
第二识别子模块,用于采用预先训练的字符识别模型对所述习题区域进行识别处理,识别出所述习题区域中题干的文字内容,所述字符识别模型为神经网络模型;以及
第一获取子模块,用于将所述文字内容输入预先训练的题干向量化模型中,得到所述待动画演示习题的题干的特征向量,作为所述待动画演示习题的特征向量。
可选的,在所述待动画演示习题包含图片的情况下,所述第二获取模块202还包括:
第二获取子模块,用于在识别出所述习题区域后,将所述待动画演示习题中的图片输入预先训练的图片向量化模型中,得到所述待动画演示习题的图片的特征向量;以及
拼接子模块,用于将所述图片的特征向量与所述题干的特征向量进行拼接,作为所述待动画演示习题的特征向量。
可选的,所述装置还包括:
预处理模块,用于预先对数据库中的各个标准习题的特征向量建立索引信息表;
所述查找模块203,具体用于,在所述索引信息表中查找与所述待动画演示习题的特征向量相匹配的特征向量;以及
将相匹配的特征向量在所述索引信息表中对应的标准习题确定为与所述待动画演示习题对应的标准习题。
可选的,所述预处理模块,还用于在建立所述索引信息表之前,将不同长度的特征向量按照长度进行分组;
所述查找模块203,具体用于,在所述索引信息表中查找与所述待动画演示习题的特征向量相匹配的特征向量;以及
将相匹配的特征向量在所述索引信息表中对应的标准习题确定为与所述待动画演示习题对应的标准习题。
可选的,所述第三获取模块204,具体用于,根据数据库中预存的标准习题与动画模板的映射关系,从所述数据库中获取与所述标准习题对应的动画模板。
可选的,所述生成模块205包括:
第三识别子模块,用于采用预先训练的区域识别模型对所述待动画演示习题的影像进行识别处理,识别出习题区域,所述区域识别模型为神经网络模型;
第四识别子模块,用于采用预先训练的字符识别模型对所述习题区域进行识别处理,识别出所述习题区域中的题干和/或图片的文字内容,从而获取所述待动画演示习题中的数据;
第三获取子模块,用于根据所述动画模板,获取所述动画模板的可编辑变量;以及
生成子模块,用于将所述待动画演示习题中的数据代入到对应的所述可编辑变量中,生成与所述待动画演示习题对应的演示动画。
对于本实施方式公开的习题演示动画生成装置而言,由于其基本相似于上述习题演示动画生成方法实施方式,所以描述的比较简单,相关之处参见上述习题演示动画生成方法实施方式的部分说明即可。
本发明提供的习题演示动画生成装置,通过获取待动画演示习题的影像,再通过所述待动画演示习题的影像获取其特征向量,然后通过在数据中进行搜索,查找与所述待动画演示习题的特征向量相匹配的特征向量,将数据库中相匹配的特征向量对应的标准习题确定为与所述待动画演示习题对应的标准习题,再获取与所述标准习题对应的动画模板,最后即可利用所述动画模板,生成与所述待动画演示习题对应的演示动画。由此可见,本发明可以利用与待动画演示习题相对应的标准习题的动画模板生成演示动画,对于不同的习题只需提取对应的动画模板就可以简单快速的生成演示动画。此外,本发明通过获取所述待动画演示习题的特征向量,并以特征向量的形式在数据库中进行查找,查找的效率更高,且不容易出错,从而可以快速且准确的找到与所述待动画演示习题相对应的标准习题。
基于同一发明构思,本发明还提供一种电子设备,请参考图6,示意性的给出了本发明一实施方式提供的电子设备的结构框图,如图6所示,所述电子设备包括处理器301、通信接口302、存储器303和通信总线304。
其中,所述处理器301、所述通信接口302、所述存储器303通过所述通信总线304完成相互间的通信。
所述存储器303,用于存放计算机程序。
所述处理器301,用于执行存储器303上所存放的程序时,实现如下步骤:
获取待动画演示习题的影像;
获取所述待动画演示习题的特征向量;
在数据库中进行搜索,查找与所述待动画演示习题的特征向量相匹配的特征向量,将所述数据库中相匹配的特征向量对应的标准习题确定为与所述待动画演示习题对应的标准习题;
获取与所述标准习题对应的动画模板;以及
利用所述动画模板,生成与所述待动画演示习题对应的演示动画。
关于该方法各个步骤的具体实现以及相关解释内容可以参见上述图1所示的方法实施方式,在此不做赘述。
另外,处理器301执行存储器303上所存放的程序而实现的习题演示动画生成方法的其他实现方式,与前述方法实施方式部分所提及的实现方式相同,这里也不再赘述。
上述电子设备提到的通信总线304可以是外设部件互连标准(PeripheralComponent Interconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线304可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口302用于上述电子设备与其他设备之间的通信。
所称处理器301可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器301是所述电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分。
所述存储器303可用于存储所述计算机程序,所述处理器301通过运行或执行存储在所述存储器303内的计算机程序,以及调用存储在存储器303内的数据,实现所述电子设备的各种功能。
所述存储器303可以包括包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本发明提供的电子设备,通过获取待动画演示习题的影像,再通过所述待动画演示习题的影像获取其特征向量,然后通过在数据中进行搜索,查找与所述待动画演示习题的特征向量相匹配的特征向量,将数据库中相匹配的特征向量对应的标准习题确定为与所述待动画演示习题对应的标准习题,再获取与所述标准习题对应的动画模板,最后即可利用所述动画模板,生成与所述待动画演示习题对应的演示动画。由此可见,本发明可以利用与待动画演示习题相对应的标准习题的动画模板生成演示动画,对于不同的习题只需提取对应的动画模板就可以简单快速的生成演示动画。此外,本发明通过获取所述待动画演示习题的特征向量,并以特征向量的形式在数据库中进行查找,查找的效率更高,且不容易出错,从而可以快速且准确的找到与所述待动画演示习题相对应的标准习题。
本发明还提供了一种可读存储介质,所述可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时可以实现如下步骤:
获取待动画演示习题的影像;
获取所述待动画演示习题的特征向量;
在数据库中进行搜索,查找与所述待动画演示习题的特征向量相匹配的特征向量,将所述数据库中相匹配的特征向量对应的标准习题确定为与所述待动画演示习题对应的标准习题;
获取与所述标准习题对应的动画模板;以及
利用所述动画模板,生成与所述待动画演示习题对应的演示动画。
本发明实施方式的计算机可读存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机硬盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其组合使用。
应当注意的是,在本文的实施方式中所揭露的装置和方法,也可以通过其他的方式实现。以上所描述的装置实施方式仅仅是示意性的,例如,附图中的流程图和框图显示了根据本文的多个实施方式的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用于执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本文各个实施方式中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
上述描述仅是对本发明较佳实施方式的描述,并非对本发明范围的任何限定,本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于权利要求书的保护范围。显然,本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (17)
1.一种习题演示动画生成方法,其特征在于,包括:
获取待动画演示习题的影像;
获取所述待动画演示习题的特征向量;
在数据库中进行搜索,查找与所述待动画演示习题的特征向量相匹配的特征向量,将所述数据库中相匹配的特征向量对应的标准习题确定为与所述待动画演示习题对应的标准习题;
获取与所述标准习题对应的动画模板;以及
利用所述动画模板,生成与所述待动画演示习题对应的演示动画;
所述动画模板通过以下步骤获得:
根据标准习题的内容,确定可编辑数据内容;以及
根据所述可编辑数据内容,确定演示数据内容和动态效果,从而生成与所述标准习题对应的动画模板;
所述利用所述动画模板,生成与所述待动画演示习题对应的演示动画,包括:
采用预先训练的区域识别模型对所述待动画演示习题的影像进行识别处理,识别出习题区域,所述区域识别模型为神经网络模型;
采用预先训练的字符识别模型对所述习题区域进行识别处理,识别出所述习题区域中题干和/或图片的文字内容,从而获取所述待动画演示习题中的数据,所述字符识别模型为神经网络模型;
根据所述动画模板,获取所述动画模板的可编辑变量;以及
将所述待动画演示习题中的数据代入到对应的所述可编辑变量中,生成与所述待动画演示习题对应的演示动画。
2.根据权利要求1所述的习题演示动画生成方法,其特征在于,所述获取所述待动画演示习题的特征向量,包括:
采用预先训练的区域识别模型对所述待动画演示习题的影像进行识别处理,识别出习题区域,所述区域识别模型为神经网络模型;
采用预先训练的字符识别模型对所述习题区域进行识别处理,识别出所述习题区域中题干的文字内容,所述字符识别模型为神经网络模型;以及
将所述文字内容输入预先训练的题干向量化模型中,得到所述待动画演示习题的题干的特征向量,作为所述待动画演示习题的特征向量。
3.根据权利要求2所述的习题演示动画生成方法,其特征在于,所述题干向量化模型通过以下步骤获得:
对第一习题样本训练集中每个习题样本进行标注处理,标注出每个习题样本中题干的文字内容;以及
利用神经网络对每个习题样本中题干的文字内容进行二维特征向量提取,从而训练得到所述题干向量化模型。
4.根据权利要求2所述的习题演示动画生成方法,其特征在于,在所述待动画演示习题包含图片的情况下,所述获取所述待动画演示习题的特征向量,还包括:
在识别出所述习题区域后,将所述待动画演示习题中的图片输入预先训练的图片向量化模型中,得到所述待动画演示习题的图片的特征向量;以及
将所述图片的特征向量与所述题干的特征向量进行拼接,作为所述待动画演示习题的特征向量。
5.根据权利要求4所述的习题演示动画生成方法,其特征在于,所述图片向量化模型通过以下步骤训练得到:
对第二习题样本训练集中每个习题样本进行标注处理,标注出每个习题样本中的图片;以及
利用神经网络模型对每个习题样本中的图片进行二维特征向量提取,从而训练得到所述图片向量化模型。
6.根据权利要求1所述的习题演示动画生成方法,其特征在于,所述方法还包括,预先对数据库中的各个标准习题的特征向量建立索引信息表;
所述在数据库中进行搜索,查找与所述待动画演示习题的特征向量相匹配的特征向量,将所述数据库中相匹配的特征向量对应的标准习题确定为与所述待动画演示习题对应的标准习题,具体为:
在所述索引信息表中查找与所述待动画演示习题的特征向量相匹配的特征向量;以及
将相匹配的特征向量在所述索引信息表中对应的标准习题确定为与所述待动画演示习题对应的标准习题。
7.根据权利要求6所述的习题演示动画生成方法,其特征在于,所述方法还包括:
在建立所述索引信息表之前,将不同长度的特征向量按照长度进行分组;
所述在所述索引信息表中查找与所述待动画演示习题的特征向量相匹配的特征向量,具体为:
在所述索引信息表中与所述待动画演示习题的特征向量长度相同或近似的分组内,查找与所述待动画演示习题的特征向量相匹配的特征向量。
8.根据权利要求1所述的习题演示动画生成方法,其特征在于,所述获取与所述标准习题对应的动画模板,具体为:根据数据库中预存的标准习题与动画模板的映射关系,从所述数据库中获取与所述标准习题对应的动画模板。
9.根据权利要求8所述的习题演示动画生成方法,其特征在于,所述标准习题与动画模板的映射关系通过以下步骤获得:
根据标准习题的内容生成动画模板;以及
在数据库中预存标准习题与动画模板的映射关系。
10.一种习题演示动画生成装置,其特征在于,包括:
第一获取模块,用于获取待动画演示习题的影像;
第二获取模块,用于获取所述待动画演示习题的特征向量;
查找模块,用于在数据库中进行搜索,查找与所述待动画演示习题的特征向量相匹配的特征向量,将所述数据库中相匹配的特征向量对应的标准习题确定为与所述待动画演示习题对应的标准习题;
第三获取模块,用于获取与所述标准习题对应的动画模板;以及
生成模块,用于利用所述动画模板,生成与所述待动画演示习题对应的演示动画;
所述动画模板通过以下步骤获得:
根据标准习题的内容,确定可编辑数据内容;以及
根据所述可编辑数据内容,确定演示数据内容和动态效果,从而生成与所述标准习题对应的动画模板;
所述生成模块包括:
第三识别子模块,用于采用预先训练的区域识别模型对所述待动画演示习题的影像进行识别处理,识别出习题区域,所述区域识别模型为神经网络模型;
第四识别子模块,用于采用预先训练的字符识别模型对所述习题区域进行识别处理,识别出所述习题区域中的题干和/或图片的文字内容,从而获取所述待动画演示习题中的数据,所述字符识别模型为神经网络模型;
第三获取子模块,用于根据所述动画模板,获取所述动画模板的可编辑变量;以及
生成子模块,用于将所述待动画演示习题中的数据代入到对应的所述可编辑变量中,生成与所述待动画演示习题对应的演示动画。
11.根据权利要求10所述的习题演示动画生成装置,其特征在于,所述第二获取模块包括:
第一识别子模块,用于采用预先训练的区域识别模型对所述待动画演示习题的影像进行识别处理,识别出习题区域,所述区域识别模型为神经网络模型;
第二识别子模块,用于采用预先训练的字符识别模型对所述习题区域进行识别处理,识别出所述习题区域中题干的文字内容,所述字符识别模型为神经网络模型;以及
第一获取子模块,用于将所述文字内容输入预先训练的题干向量化模型中,得到所述待动画演示习题的题干的特征向量,作为所述待动画演示习题的特征向量。
12.根据权利要求11所述的习题演示动画生成装置,其特征在于,在所述待动画演示习题包含图片的情况下,所述第二获取模块还包括:
第二获取子模块,用于在识别出所述习题区域后,将所述待动画演示习题中的图片输入预先训练的图片向量化模型中,得到所述待动画演示习题的图片的特征向量;以及
拼接子模块,用于将所述图片的特征向量与所述题干的特征向量进行拼接,作为所述待动画演示习题的特征向量。
13.根据权利要求10所述的习题演示动画生成装置,其特征在于,所述装置还包括:
预处理模块,用于预先对数据库中的各个标准习题的特征向量建立索引信息表;
所述查找模块,具体用于,在所述索引信息表中查找与所述待动画演示习题的特征向量相匹配的特征向量;以及
将相匹配的特征向量在所述索引信息表中对应的标准习题确定为与所述待动画演示习题对应的标准习题。
14.根据权利要求13所述的习题演示动画生成装置,其特征在于,所述预处理模块,还用于在建立所述索引信息表之前,将不同长度的特征向量按照长度进行分组;
所述查找模块,具体用于,在所述索引信息表中查找与所述待动画演示习题的特征向量相匹配的特征向量;以及
将相匹配的特征向量在所述索引信息表中对应的标准习题确定为与所述待动画演示习题对应的标准习题。
15.根据权利要求10所述的习题演示动画生成装置,其特征在于,所述第三获取模块,具体用于,根据数据库中预存的标准习题与动画模板的映射关系,从所述数据库中获取与所述标准习题对应的动画模板。
16.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现权利要求1-9中任一项所述的方法。
17.一种可读存储介质,其特征在于,所述可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910672298.3A CN110378986B (zh) | 2019-07-24 | 2019-07-24 | 一种习题演示动画生成方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910672298.3A CN110378986B (zh) | 2019-07-24 | 2019-07-24 | 一种习题演示动画生成方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110378986A CN110378986A (zh) | 2019-10-25 |
CN110378986B true CN110378986B (zh) | 2023-05-23 |
Family
ID=68255626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910672298.3A Active CN110378986B (zh) | 2019-07-24 | 2019-07-24 | 一种习题演示动画生成方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378986B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369403B (zh) * | 2020-02-27 | 2021-09-14 | 北京字节跳动网络技术有限公司 | 一种解题演示方法及装置 |
CN113420244A (zh) * | 2020-07-20 | 2021-09-21 | 阿里巴巴集团控股有限公司 | 动效模板生成方法、图片动态展示方法、装置及电子设备 |
CN112800216A (zh) * | 2021-01-29 | 2021-05-14 | 联想(北京)有限公司 | 一种解题动画的生成方法及装置 |
CN114187169A (zh) * | 2021-12-10 | 2022-03-15 | 北京字节跳动网络技术有限公司 | 视频特效包的生成方法、装置、设备及存储介质 |
CN114973798A (zh) * | 2022-06-28 | 2022-08-30 | 深圳市方直科技股份有限公司 | 一种单词学习卡生成方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105788373A (zh) * | 2015-12-24 | 2016-07-20 | 广东小天才科技有限公司 | 一种动画教学的方法及系统 |
US9659248B1 (en) * | 2016-01-19 | 2017-05-23 | International Business Machines Corporation | Machine learning and training a computer-implemented neural network to retrieve semantically equivalent questions using hybrid in-memory representations |
CN108491369A (zh) * | 2018-03-14 | 2018-09-04 | 上海第二工业大学 | 一种交互式课件制作方法 |
CN109271401A (zh) * | 2018-09-26 | 2019-01-25 | 杭州大拿科技股份有限公司 | 一种题目搜索、批改方法、装置、电子设备和存储介质 |
-
2019
- 2019-07-24 CN CN201910672298.3A patent/CN110378986B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105788373A (zh) * | 2015-12-24 | 2016-07-20 | 广东小天才科技有限公司 | 一种动画教学的方法及系统 |
US9659248B1 (en) * | 2016-01-19 | 2017-05-23 | International Business Machines Corporation | Machine learning and training a computer-implemented neural network to retrieve semantically equivalent questions using hybrid in-memory representations |
CN108491369A (zh) * | 2018-03-14 | 2018-09-04 | 上海第二工业大学 | 一种交互式课件制作方法 |
CN109271401A (zh) * | 2018-09-26 | 2019-01-25 | 杭州大拿科技股份有限公司 | 一种题目搜索、批改方法、装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
通用习题库中题目数据结构设计与题库设计语言的开发;涂立静;《电脑知识与技术(学术交流)》;20071008(第19期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110378986A (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378986B (zh) | 一种习题演示动画生成方法、装置、电子设备和存储介质 | |
CN111191078B (zh) | 基于视频信息处理模型的视频信息处理方法及装置 | |
CN111488931B (zh) | 文章质量评估方法、文章推荐方法及其对应的装置 | |
CN113705313A (zh) | 文本识别方法、装置、设备及介质 | |
CN114896417A (zh) | 一种基于知识图谱构建计算机教育知识图谱的方法 | |
CN114580424B (zh) | 一种用于法律文书的命名实体识别的标注方法和装置 | |
CN115917613A (zh) | 文档中文本的语义表示 | |
CN115757731A (zh) | 对话问句改写方法、装置、计算机设备及存储介质 | |
CN114972774A (zh) | 特定区域的图像描述生成方法、装置、设备及存储介质 | |
CN116610304B (zh) | 页面代码生成方法、装置、设备和存储介质 | |
CN113505786A (zh) | 试题拍照评判方法、装置及电子设备 | |
CN112801099B (zh) | 一种图像处理方法、装置、终端设备及介质 | |
CN110363117B (zh) | 一种对加密后的随机编码字符文件进行解析的方法及装置 | |
KR102524911B1 (ko) | 디지털 교재를 이용한 학습 서비스 제공 방법 및 장치 | |
CN110598642A (zh) | 一种计算题在线练习方法、装置、设备和存储介质 | |
CN116774973A (zh) | 数据渲染方法、装置、计算机设备及存储介质 | |
CN113837157B (zh) | 题目类型识别方法、系统和存储介质 | |
CN116263784A (zh) | 面向图片文本的粗粒度情感分析方法及装置 | |
CN114331932A (zh) | 目标图像生成方法和装置、计算设备以及计算机存储介质 | |
Islam | A deep study of artificial intelligence: Machine learning in the browser using tensorflow | |
Li et al. | A platform for creating Smartphone apps to enhance Chinese learning using augmented reality | |
CN110895924B (zh) | 一种文档内容朗读方法、装置、电子设备及可读存储介质 | |
CN111489422A (zh) | 海报生成及其模型训练方法、装置、电子设备及存储介质 | |
CN112699263B (zh) | 基于ai的二维美术图像动态展示方法及装置 | |
CN113283248B (zh) | 散点图描述的自然语言自动生成方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |