CN111401526A - 一种模型通用的深度神经网络表征可视化方法和装置 - Google Patents
一种模型通用的深度神经网络表征可视化方法和装置 Download PDFInfo
- Publication number
- CN111401526A CN111401526A CN202010203794.7A CN202010203794A CN111401526A CN 111401526 A CN111401526 A CN 111401526A CN 202010203794 A CN202010203794 A CN 202010203794A CN 111401526 A CN111401526 A CN 111401526A
- Authority
- CN
- China
- Prior art keywords
- feature map
- neural network
- convolutional neural
- visualized
- map
- 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.)
- Pending
Links
- 238000007794 visualization technique Methods 0.000 title claims description 10
- 238000013528 artificial neural network Methods 0.000 title claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 83
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000011176 pooling Methods 0.000 claims abstract description 23
- 230000000007 visual effect Effects 0.000 claims description 36
- 238000010586 diagram Methods 0.000 claims description 29
- 238000012800 visualization Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 10
- 201000010099 disease Diseases 0.000 claims description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 description 7
- 208000010125 myocardial infarction Diseases 0.000 description 3
- 208000009525 Myocarditis Diseases 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
为了解决现有技术中卷积神经网络可释性差的问题，本公开提供了一种卷积神经网络表征可视化方法、装置及训练方法，以提高卷积神经网络的可释性。卷积神经网络表征可视化方法，包括：在待可视化图像输入卷积神经网络后，获取第一特征图；反池化所述第一特征图以获得第二特征图；通过ReLU函数矫正所述第二特征图以获取第三特征图；反卷积或导向反向传播第三特征图以获得第一可视化特征图；显示所述第一可视化特征图。本申请还公开了相应的可视化装置，以及基于表征可视化方法的卷积神经网络训练方法。通过反池化、反激活、反卷积和导向反向传播运算，将卷积神经网络模型中待可视化层的特征激活情况进行显示，以提高卷积神经网络的可释性。
Description
技术领域
本公开涉及智能领域，尤其涉及一种卷积神经网络表征可视化方法、装置及训练方法。
背景技术
现有卷积神经网络虽然能够通过构建，标注大数据进行误差反向传播优化参数而训练的“端到端”模型；能够在某些场景下有喜人的表现，但是这些卷积神经网络模型均有一个不可忽略的同样问题：较弱的可解释性。即模型虽然给出了较高的准确率，但是却无法给出更多可靠的信息来解释给出结果的考虑依据。这样的情况造成在特定领域在金融、医疗、自动驾驶等要求高可解释的行业内，尽管卷积神经网络模型的结果数据好看，但是也无法切实地落地到应用中。同时，较差的可解释性意味着使得人们无法信任模型在面对新数据时给出的答案，这就导致模型的预测功能大打折扣，也进一步限制了深度模型在各个行业中的实际应用。
发明内容
为了解决上述技术问题中的至少一个，本公开提供了一种卷积神经网络表征可视化方法、装置及训练方法，提高卷积神经网络的可释性。
本公开的一方面，一种卷积神经网络表征可视化方法，所述方法包括：
在待可视化图像输入卷积神经网络后，获取第一特征图，其中，所述第一特征图为所述卷积神经网络的待可视化层所产生的特征数据；
反池化所述第一特征图以获得第二特征图；
通过ReLU函数矫正所述第二特征图以获取第三特征图；
反卷积或导向反向传播所述第三特征图以获得第一可视化特征图；
显示所述第一可视化特征图。
可选的，所述方法还包括：
获取第四特征图，所述第四特征图为卷积神经网络的最后一个卷积层输出的特征数据；
全局均值池化所述第四特征图以获得第五特征图；
上采样所述第五特征图以获得第六特征图，将第六特征图叠加到待可视化图像以获得第二可视化特征图；
显示所述第二可视化特征图。
可选的，所述方法还包括：
将所述第六特征图叠加到第一可视化特征图以获得第三可视化特征图；
显示所述第三可视化特征图。
可选的，所述方法还包括：
获取所述卷积神经网络的卷积核；
显示所述卷积核。
本公开的第二方面，一种卷积神经网络表征可视化装置，所述装置包括：
第一获取模块，在待可视化图像输入卷积神经网络后，获取第一特征图，其中，所述第一特征图为所述卷积神经网络的待可视化层所产生的特征数据；
反池化模块，反池化所述第一特征图以获得第二特征图；
矫正模块，通过ReLU函数矫正所述第二特征图以获取第三特征图；
反卷积模块，反卷积或导向反向传播所述第三特征图以获得第一可视化特征图；
第一显示模块，显示所述第一可视化特征图。
可选的，所述装置还包括：
第二获取模块，获取第四特征图，所述第四特征图为卷积神经网络的最后一个卷积层输出的特征数据；
全局均值池化模块，全局均值池化所述第四特征图以获得第五特征图；
上采样模块，上采样所述第五特征图以获得第六特征图，将第六特征图叠加到待可视化图像以获得第二可视化特征图；
第二显示模块，显示所述第二可视化特征图。
可选的，所述装置还包括：
叠加模块，将所述第六特征图叠加到第一可视化特征图以获得第三可视化特征图；
第三显示模块，显示所述第三可视化特征图。
可选的，所述装置还包括：
第三获取模块，获取所述卷积神经网络的卷积核；
第四显示模块，显示所述卷积核。
本公开的第三方面，一种卷积神经网络训练方法，包括：
执行本公开的第一方面中任一所述卷积神经网络表征可视化方法的步骤；
接收输入的卷积神经网络判断的验证结果；
若验证结果为判断正确，则将所述待可视化图像作为训练样本训练所述卷积神经网络。
可选的，所述卷积神经网络的输入为医疗图像，所述卷积神经网络的输出为疾病诊断结果。
本公开的技术方案，通过反池化、反激活、反卷积或导向反向传播运算，将卷积神经网络模型中待可视化层的特征激活情况进行显示，以提高卷积神经网络的可释性。
附图说明
附图示出了本公开的示例性实施方式，并与其说明一起用于解释本公开的原理，其中包括了这些附图以提供对本公开的进一步理解，并且附图包括在本说明书中并构成本说明书的一部分。
图1是本公开的实施例中的一种卷积神经网络表征可视化方法的流程图；
图2是本公开的实施例中的一种卷积神经网络表征可视化装置的示意图。
具体实施方式
下面结合附图和实施方式对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施方式仅用于解释相关内容，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分。
实施例1：
参见图1，卷积神经网络表征可视化方法，所述方法包括：
步骤S1：在待可视化图像输入卷积神经网络后，获取第一特征图，其中，所述第一特征图为所述卷积神经网络的待可视化层所产生的特征数据；
步骤S2：反池化所述第一特征图以获得第二特征图；
步骤S3：通过ReLU函数矫正所述第二特征图以获取第三特征图；
步骤S4：反卷积或导向反向传播所述第三特征图以获得第一可视化特征图；
步骤S5：显示所述第一可视化特征图。
本公开的实施方式，通过反池化、反激活和反卷积/导向反向传播运算，将卷积神经网络模型中待可视化层的特征激活情况进行显示，以提高卷积神经网络的可释性。
显示第一可视化特征图后，相关人员可以直观的根据第一可视化特征图，观察卷积神经网络模型的判断依据是否准确。可以知道的，待可视化层可以是卷积神经网络的其中一个网络层。
以医疗领域为例，卷积神经网络的输入为医学图片，输出为疾病判断结果；当待可视化图像为医学图片中的心电图，待可视化图像输入卷积神经网络后，可视化图像输入卷积神经网络的输出为95%心肌梗塞时；可以根据本公开的方法，显示卷积神经网络的各第一可视化特征图，以获取卷积神经网络的判断依据，进而医生可以结合自身医学知识与卷积神经网络的判断结果进行比对，快速知晓卷积神经网络判断结果是否准确，辅助医生更为有效地判断病人疾病，提高疾病判断的准确率。
上述方法中，步骤S2为反池化运算，因为池化的过程不可逆，因此反池化需要池化的过程中记录下最大值所在的位置参数，便于反池化所述第一特征图。
上述方法中，步骤S3是矫正运算，其中， ReLU是一种非线性激活函数，全称为线性整流函数（Rectified Linear Unit, ReLU），又称修正线性单元。
上述方法中，步骤S4是反卷积运算，反卷积过程使用卷积过程中相同的已训练过参数的卷积核的转置作为核函数，与矫正后的特征进行卷积运算。
在一个实施方式中，方法还包括：
获取第四特征图，所述第四特征图为卷积神经网络的最后一个卷积层输出的特征数据；
全局均值池化所述第四特征图以获得第五特征图；
上采样所述第五特征图以获得第六特征图，将第六特征图叠加到待可视化图像以获得第二可视化特征图；
显示所述第二可视化特征图。
本公开的方法中，第二可视化特征图包含了卷积神经网络基于原始图像的哪些特征进行结果判定的可视化结果。提高判断结果的可解性；而且用户可以更精准的知晓判断结果的依据。本实施方式可以解决反卷积或导向反向传播的特征分类不敏感问题，通过原始图像类热力图可视化，了解图像处理问题中那些部分起到关键作用。
其中，卷积神经网络中可以采用全局平均池化层（GAP :Global AveragePooling）替换传统全连接层。通过全局平均池化层替换后的网络，支持输入任意大小的特征；能够充分利用输入特征的空间信息；因为没有全连接层的额外参数，神经网络的鲁棒性更强，且不容易产生过拟合；最后一层卷积层强制生成了和目标类别数量一致的特征图，对于图像分类场景而言，相当于给每个特征图赋予了很明确的意义，提高了网络生成结果的可解释性。
在一个实施方式中，方法还包括：
将所述第六特征图叠加到第一可视化特征图以获得第三可视化特征图；
显示所述第三可视化特征图。
第三可视化特征图可以显示卷积神经网络的判断结果基于第一可视化特征图中的哪部分特征作为依据。
同样以医疗领域为例，卷积神经网络的输入为医学图片，输出为疾病判断结果；当待可视化图像为医学图片中的心电图，待可视化图像输入卷积神经网络后，可视化图像输入卷积神经网络的输出为75%心肌梗塞，10%心肌炎时；可以根据本公开的方法，显示卷积神经网络的第三可视化特征图，以便于医生获取卷积神经网络判断10%心肌炎的判断依据，以及卷积神经网络判断75%心肌梗塞的判断依据，进而医生可以结合自身医学知识与卷积神经网络的判断结果进行比对，快速知晓卷积神经网络判断结果是否准确，辅助医生更为有效地判断病人疾病，提高疾病判断的准确率。
在一个实施方式中，方法还包括：
获取所述卷积神经网络的卷积核；
显示所述卷积核。
综上，本公开的方法，实现了1、特征可视化：卷积核输出可视化，帮助理解卷积核抽取的特征，反卷积和反池化可视化输入特征的激活情况；2、卷积核参数可视化对卷积核本身进行可视化，对卷积核在训练过程中学习到的行为有直观的解释；3、类激活图可视化：通过原始图像类热力图可视化，了解图像处理问题中那些部分起到关键作用。
实施例2：
参见图2，卷积神经网络表征可视化装置包括：
第一获取模块1，在待可视化图像输入卷积神经网络后，获取第一特征图，其中，所述第一特征图为所述卷积神经网络的待可视化层所产生的特征数据；
反池化模块2，反池化所述第一特征图以获得第二特征图；
矫正模块3，通过ReLU函数矫正所述第二特征图以获取第三特征图；
反卷积模块4，反卷积或导向反向传播所述第三特征图以获得第一可视化特征图；
第一显示模块5，显示所述第一可视化特征图。
在一个实施方式中，装置还包括：
第二获取模块，获取第四特征图，所述第四特征图为卷积神经网络的最后一个卷积层输出的特征数据；
全局均值池化模块，全局均值池化所述第四特征图以获得第五特征图；
上采样模块，上采样所述第五特征图以获得第六特征图，将第六特征图叠加到待可视化图像以获得第二可视化特征图；
第二显示模块，显示所述第二可视化特征图。
在一个实施方式中，装置还包括：
叠加模块，将所述第六特征图叠加到第一可视化特征图以获得第三可视化特征图；
第三显示模块，显示所述第三可视化特征图。
在一个实施方式中，所述装置还包括：
第三获取模块，获取所述卷积神经网络的卷积核；
第四显示模块，显示所述卷积核。
实施例3：
卷积神经网络训练方法，包括：
执行实施例1任一所述卷积神经网络表征可视化方法的步骤；
接收输入的卷积神经网络判断的验证结果；
若验证结果为判断正确，则将所述待可视化图像作为训练样本训练所述卷积神经网络。
在输出第一可视化特征图、第三可视化特征图或第三可视化特征图后，用户可以根据第一可视化特征图、第三可视化特征图或第三可视化特征图快速判断卷积神经网络判断依据和判断结果是否均准确，在判断依据和判断结果是否均准确时，输入验证结果为判断正确，在验证结果是判断正确时，将待可视化图像作为训练样本训练所述卷积神经网络，实时提高卷积神经网络的判断准确率。可以知道的，当卷积神经网络判断依据或判断结果不准确时，输入验证结果为判断不正确，若输入验证结果为判断不正确，不将所述待可视化图像作为训练样本训练所述卷积神经网络。
在一个实时方式中，卷积神经网络的输入为医疗图像，卷积神经网络的输出为疾病诊断结果。
需要说明的是，在不冲突的情况下，本公开中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本公开。
在本说明书的描述中，参考术语“一个实施例/方式”、“一些实施例/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例/方式或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例/方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例/方式或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例/方式或示例以及不同实施例/方式或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
本领域的技术人员应当理解，上述实施方式仅仅是为了清楚地说明本公开，而并非是对本公开的范围进行限定。对于所属领域的技术人员而言，在上述公开的基础上还可以做出其它变化或变型，并且这些变化或变型仍处于本公开的范围内。
Claims (10)
1.卷积神经网络表征可视化方法，其特征在于，所述方法包括：
在待可视化图像输入卷积神经网络后，获取第一特征图，其中，所述第一特征图为所述卷积神经网络的待可视化层所产生的特征数据；
反池化所述第一特征图以获得第二特征图；
通过ReLU函数矫正所述第二特征图以获取第三特征图；
反卷积或导向反向传播所述第三特征图以获得第一可视化特征图；
显示所述第一可视化特征图。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取第四特征图，所述第四特征图为卷积神经网络的最后一个卷积层输出的特征数据；
全局均值池化所述第四特征图以获得第五特征图；
上采样所述第五特征图以获得第六特征图，将所述第六特征图叠加到所述待可视化图像以获得第二可视化特征图；
显示所述第二可视化特征图。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
将所述第六特征图叠加到所述第一可视化特征图以获得第三可视化特征图；
显示所述第三可视化特征图。
4.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述卷积神经网络的卷积核；
显示所述卷积核。
5.卷积神经网络表征可视化装置，其特征在于，所述装置包括：
第一获取模块，在待可视化图像输入卷积神经网络后，获取第一特征图，其中，所述第一特征图为所述卷积神经网络的待可视化层所产生的特征数据；
反池化模块，反池化所述第一特征图以获得第二特征图；
矫正模块，通过ReLU函数矫正所述第二特征图以获取第三特征图；
反卷积模块，反卷积或导向反向传播所述第三特征图以获得第一可视化特征图；
第一显示模块，显示所述第一可视化特征图。
6.如权利要求5所述的装置，其特征在于，所述装置还包括：
第二获取模块，获取第四特征图，所述第四特征图为卷积神经网络的最后一个卷积层输出的特征数据；
全局均值池化模块，全局均值池化所述第四特征图以获得第五特征图；
上采样模块，上采样所述第五特征图以获得第六特征图，将所述第六特征图叠加到所述待可视化图像以获得第二可视化特征图；
第二显示模块，显示所述第二可视化特征图。
7.如权利要求6所述的装置，其特征在于，所述装置还包括：
叠加模块，将所述第六特征图叠加到所述第一可视化特征图以获得第三可视化特征图；
第三显示模块，显示所述第三可视化特征图。
8.如权利要求6所述的装置，其特征在于，所述装置还包括：
第三获取模块，获取所述卷积神经网络的卷积核；
第四显示模块，显示所述卷积核。
9.卷积神经网络训练方法，其特征在于，包括：
执行如权利要求1~4中任一所述卷积神经网络表征可视化方法的步骤；
接收输入的卷积神经网络判断的验证结果；
若验证结果为判断正确，则将所述待可视化图像作为训练样本训练所述卷积神经网络。
10.如权利要求9所述的方法，其特征在于，所述卷积神经网络的输入为医疗图像，所述卷积神经网络的输出为疾病诊断结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010203794.7A CN111401526A (zh) | 2020-03-20 | 2020-03-20 | 一种模型通用的深度神经网络表征可视化方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010203794.7A CN111401526A (zh) | 2020-03-20 | 2020-03-20 | 一种模型通用的深度神经网络表征可视化方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111401526A true CN111401526A (zh) | 2020-07-10 |
Family
ID=71432756
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010203794.7A Pending CN111401526A (zh) | 2020-03-20 | 2020-03-20 | 一种模型通用的深度神经网络表征可视化方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111401526A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111931587A (zh) * | 2020-07-15 | 2020-11-13 | 重庆邮电大学 | 基于可解释时空自编码器的视频异常检测方法 |
| CN113780300A (zh) * | 2021-11-11 | 2021-12-10 | 翱捷科技股份有限公司 | 图像反池化方法、装置、计算机设备和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109102078A (zh) * | 2018-07-11 | 2018-12-28 | 北京墨丘科技有限公司 | 一种机器学习的优化方法、系统、计算机存储介质和电子设备 |
| CN110210538A (zh) * | 2019-05-22 | 2019-09-06 | 雷恩友力数据科技南京有限公司 | 一种家居图像多目标识别方法及装置 |
| US20200035259A1 (en) * | 2018-07-27 | 2020-01-30 | Microsoft Technology Licensing, Llc | Systems, methods, and computer-readable media for improved audio feature discovery using a neural network |
-
2020
- 2020-03-20 CN CN202010203794.7A patent/CN111401526A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109102078A (zh) * | 2018-07-11 | 2018-12-28 | 北京墨丘科技有限公司 | 一种机器学习的优化方法、系统、计算机存储介质和电子设备 |
| US20200035259A1 (en) * | 2018-07-27 | 2020-01-30 | Microsoft Technology Licensing, Llc | Systems, methods, and computer-readable media for improved audio feature discovery using a neural network |
| CN110210538A (zh) * | 2019-05-22 | 2019-09-06 | 雷恩友力数据科技南京有限公司 | 一种家居图像多目标识别方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 俞海宝等: "在反卷积网络中引入数值解可视化卷积神经网络", 《计算机科学》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111931587A (zh) * | 2020-07-15 | 2020-11-13 | 重庆邮电大学 | 基于可解释时空自编码器的视频异常检测方法 |
| CN111931587B (zh) * | 2020-07-15 | 2022-10-25 | 重庆邮电大学 | 基于可解释时空自编码器的视频异常检测方法 |
| CN113780300A (zh) * | 2021-11-11 | 2021-12-10 | 翱捷科技股份有限公司 | 图像反池化方法、装置、计算机设备和存储介质 |
| CN113780300B (zh) * | 2021-11-11 | 2022-02-25 | 翱捷科技股份有限公司 | 图像反池化方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Çöltekin et al. | Evaluating the effectiveness of interactive map interface designs: a case study integrating usability metrics with eye-movement analysis | |
| EP2975602B1 (en) | Method and device for determining the level of residual image of display | |
| van de Pol et al. | Mapping and drawing to improve students’ and teachers’ monitoring and regulation of students’ learning from text: Current findings and future directions | |
| CN111401526A (zh) | 一种模型通用的深度神经网络表征可视化方法和装置 | |
| JP4724887B2 (ja) | 視覚情報をユニバーサルデザイン化する色修正プログラム | |
| Kwon et al. | Does visual fixation affect idea fixation? | |
| US9706911B2 (en) | Vision testing for astigmatism | |
| Atkins et al. | Exploring Differences among Student Populations during Climate Graph Reading Tasks: An Eye Tracking Study. | |
| CN117058752A (zh) | 一种基于改进YOLOv7的学生课堂行为检测方法 | |
| Ahrens et al. | Improving requirements specification use by transferring attention with eye tracking data | |
| Friel et al. | A framework for assessing knowledge and learning in statistics (K-8) | |
| CN110766575B (zh) | 一种作业批改与作业批改显示方法、装置及介质 | |
| Bijlsma-Frankema et al. | It takes a community to make a difference: evaluating quality procedures and practices in trust research | |
| Kynigos | Children's inductive thinking during intrinsic and Euclidean geometrical activities in a computer programming environment | |
| CN110874824A (zh) | 图像修复方法及装置 | |
| WO2021161628A1 (ja) | 機械学習方法および機械学習用情報処理装置 | |
| Kiik | Cartographic design of thematic polygons: a comparison using eye-movement metrics analysis | |
| TW200949773A (en) | Learning diagnosis system and method | |
| Zenisky et al. | Reporting student growth: challenges and opportunities | |
| Schneider et al. | What Matters Most for Learning From Online Videos, Seeing the Instructor’s Face or Gaze? Impact on Instructor-Student Synchrony | |
| Meuschke et al. | Automatic Generation of Web-Based User Studies to Evaluate Depth Perception in Vascular Surface Visualizations. | |
| JP2020126563A (ja) | 視認性評価装置、視認性評価プログラムおよび視認性評価方法 | |
| US20180025654A1 (en) | Method for indicating characteristic of problem and problem set | |
| Kockord et al. | REPLICATION ON COGNITIVE LOAD DURING FIRST CONTACT WITH MIXED REALITY USING HEAD-MOUNTED DISPLAYS | |
| Yao | Tracing learners’ growth of mathematical understanding in a dynamic geometry environment: Networking multiple theories |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200710 |
|
| WD01 | Invention patent application deemed withdrawn after publication |