CN113486700A - 一种教学场景下基于注意力机制的面部表情分析方法 - Google Patents
一种教学场景下基于注意力机制的面部表情分析方法 Download PDFInfo
- Publication number
- CN113486700A CN113486700A CN202110498816.1A CN202110498816A CN113486700A CN 113486700 A CN113486700 A CN 113486700A CN 202110498816 A CN202110498816 A CN 202110498816A CN 113486700 A CN113486700 A CN 113486700A
- Authority
- CN
- China
- Prior art keywords
- attention mechanism
- neural network
- expression
- convolutional neural
- expression recognition
- 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
- 230000007246 mechanism Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000008921 facial expression Effects 0.000 title claims abstract description 18
- 238000010195 expression analysis Methods 0.000 title claims abstract description 7
- 230000014509 gene expression Effects 0.000 claims abstract description 58
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000000694 effects Effects 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000011176 pooling Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 5
- 206010016256 fatigue Diseases 0.000 claims description 4
- 230000003867 tiredness Effects 0.000 claims description 4
- 208000016255 tiredness Diseases 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 7
- 230000005284 excitation Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000004709 eyebrow Anatomy 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping 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
- 238000012545 processing Methods 0.000 description 1
- 238000012800 visualization 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种教学场景下基于注意力机制的面部表情分析方法，包括：建立教学场景下的表情识别数据集，并进行预处理；搭建基于注意力机制的卷积神经网络模型；利用基于注意力机制的卷积神经网络模型对所述表情识别数据集进行训练，得到适用于教学场景的表情识别模型。本发明针对传统卷积神经网络对小目标特征识别和微表情识别效果不佳的问题，引入注意力机制，通过提取小目标的关键特征，降低小目标冗余特征的比例，能够极大地降低网络参数的计算量，去除不必要的冗余信息，有效提高训练的效率和准确率。本发明通过表情识别来分析学生课堂的听课状态和参与程度，并实时反馈给教师，有利于教师更加系统地制定教学计划，提高教学效果。
Description
技术领域
本发明涉及机器学习与深度学习技术领域，特别涉及一种教学场景下基于注意力机制的面部表情分析方法。
背景技术
随着人工智能技术的不断发展，视频识别技术取得了飞速发展，从被广泛运用于个人信息识别与安全的人脸识别到人脸面部特征的识别，识别技术已经在我们日常生活中得到了广泛地应用，方便了人们的生活。
识别技术类似于人类记忆的过程，需要对事物进行认知和重复，最终形成记忆。目前的识别技术主要是通过卷积神经网络(类似于人类大脑的神经元)训练相关的数据集，形成对识别对象某一特征的记忆。计算机通过训练后的记忆模型对识别对象的特征(例如表情)进行识别和分析。
现有技术主要通过卷积神经网络训练目标数据集，形成一个有记忆地训练模型来实现对目标的识别。该网络在表情识别领域存在明显的技术缺陷。首先，现有卷积神经网络需要计算整张人脸的特征参数，存在计算量大且冗余信息多的问题，识别效果不佳。其次，传统的卷积神经网络对于小目标识别存在特征提取不清晰，识别效果不佳等问题。在教育教学场景下，学生数量多，座位靠后的同学在视频中相当于是小目标，如果使用传统的卷积神经网络可能会造成无法识别座位靠后学生的表情等问题，导致识别效率和准确率较低。
发明内容
本发明的目的在于提供一种教学场景下基于注意力机制的面部表情分析方法，针对传统卷积神经网络对小目标特征识别和微表情识别效果不佳的问题，在卷积神经网络中嵌入注意力机制，以减小运算数量、提高识别效率和准确率。
为解决上述技术问题，本发明的实施例提供如下方案：
一种教学场景下基于注意力机制的面部表情分析方法，包括以下步骤：
建立教学场景下的表情识别数据集，并进行预处理；
搭建基于注意力机制的卷积神经网络模型；
利用基于注意力机制的卷积神经网络模型对所述表情识别数据集进行训练，得到适用于教学场景的表情识别模型。
优选地，所述建立教学场景下的表情识别数据集包括：
采集学生上课状态的视频；
从所述视频中选取具有疑惑、疲倦和专注三种表情的学生的图片和短视频，进行标注后得到教学场景下的表情识别数据集；
其中，疑惑表情说明学生对课堂所教授的知识没有理解，课堂教学效果不佳；疲倦表情说明学生当前的听课状态不佳，课堂参与度低；专注表情说明学生听课状态好且课堂参与度高。
优选地，所述基于注意力机制的卷积神经网络模型以Resnet网络为基础，嵌入注意力机制，所述注意力机制包括混合连接的通道域注意力模块和空间域注意力模块。
优选地，所述通道域注意力模块利用以下公式：
分别计算每张特征图的全局平均池化及全局最大池化信息，通过全连接层后相加得到通道注意力参数，两者共用相同的全连接层；
所述空间域注意力模块利用以下公式：
先分别对各通道的特征图的每个坐标进行全局最大池化及平均池化后得到两张特征图，然后对得到的特征图进行卷积得到空间注意图。
优选地，所述卷积神经网络模型中，输入层后首先使用卷积层来捕获和提取数据的特征，在后面的多层卷积中，使用卷积层和深度可分离卷积层相融合的方式来提取更复杂更深层次的特征。
优选地，所述卷积神经网络模型中，池化层采用最大池化的方式对卷积后的数据进行池化操作。
优选地，所述卷积神经网络模型中，采用RELU激活函数引入非线性因素，对卷积层的输出结果进行激励。
优选地，所述利用基于注意力机制的卷积神经网络模型对所述表情识别数据集进行训练包括：
采用softmax分类器对表情进行分类，同时利用反向传播和BP函数动态调整网络参数，使网络在训练过程中始终保持最优状态。
本发明实施例提供的技术方案带来的有益效果至少包括：
1、针对传统卷积神经网络对小目标特征识别和微表情识别效果不佳的问题，本发明引入注意力机制，通过提取小目标的眼睛、嘴巴和眉毛等关键特征，降低小目标冗余特征的比例，提高识别的效果和准确率。
2、针对传统的卷积神经网络需要将整张人脸图像进行参数计算，导致计算量大的问题，本发明基于注意力机制的网络，只需要计算人脸图像中眼睛、眉毛和嘴巴等区域的参数，提取特征，能够极大地降低网络参数的计算量，去除不必要的冗余信息，有效提高训练的效率和准确率。
3、针对目前学生上课的教室中缺少教学反馈和互动的问题，本发明通过表情识别来分析学生课堂的听课状态和对知识的掌握程度，能够有效地提高学生课堂的参与度和听课效果，同时将学生的状态实时反馈给教师，有利于教师更加系统地制定教学计划，提高教学效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的教学场景下基于注意力机制的面部表情分析方法的流程示意图；
图2是本发明实施例提供的嵌入注意力机制的卷积神经网络的原理示意图；
图3是本发明实施例提供的通道域注意力模块的原理示意图；
图4是本发明实施例提供的空间域注意力模块的原理示意图；
图5是本发明实施例提供的深度可分离卷积层的原理示意图；
图6是本发明实施例提供的池化层的原理示意图；
图7是本发明实施例提供的可视化特征图；
图8是本发明实施例在课堂场景下的应用过程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
本发明的实施例提供了一种教学场景下基于注意力机制的面部表情分析方法，如图1所示，所述方法包括以下步骤：
建立教学场景下的表情识别数据集，并进行预处理；
搭建基于注意力机制的卷积神经网络模型；
利用基于注意力机制的卷积神经网络模型对所述表情识别数据集进行训练，得到适用于教学场景的表情识别模型。
本发明实施例中，通过第一步骤建立了一个适用于教学场景下课堂状态分析的数据集，通过第二步骤搭建了一个基于注意力机制的网络模型，然后使用网络模型对数据集进行训练，得到训练模型。与现有技术相比，本发明引入注意力机制，能够降低小目标冗余特征的比例，降低网络参数的计算量，提高识别的效果和准确率。
进一步地，所述建立教学场景下的表情识别数据集包括：
采集学生上课状态的视频；
从所述视频中选取具有疑惑、疲倦和专注三种表情的学生的图片和短视频，进行标注后得到教学场景下的表情识别数据集；
其中，疑惑表情说明学生对课堂所教授的知识没有理解，课堂教学效果不佳；疲倦表情说明学生当前的听课状态不佳，课堂参与度低；专注表情说明学生听课状态好且课堂参与度高。
现有的表情识别数据，主要用于识别若干基本表情，如高兴、伤心、惊讶等。在教育教学场景下，这些表情并不适用于课堂效果和学生听课状态的分析。因此，针对这个问题，本发明提出了一种适用于教育教学场景下训练用的表情识别数据集，它由三种表情构成，分别是：疑惑、疲倦和专注。此数据集可以通过录制学生上课状态的视频得到，在视频中选取与这三种表情类似的学生，生成其图片和短视频，最后将图片和短视频进行标注，得到适用于教学场景的表情识别数据集。
进一步地，针对目前传统的卷积神经网络在小目标识别和微表情识别等方面的不足，本发明搭建了一个嵌入注意力机制的卷积神经网络。所述基于注意力机制的卷积神经网络模型以Resnet网络为基础，在其中嵌入注意力机制，注意力机制主要采用空间域注意力模块和通道域注意力模块混合连接的方式，使网络具有更好地特征提取效果和泛化能力，网络的基本原理如图2所示。
其中，通道域注意力模块是指，在卷积神经网络中，通道信息一般代表着图像不同的特征信息，因此通过对通道进行选择可以使网络更能注意到图像中对任务有用的信息。为实现对通道的选择，本文以下公式：
分别计算每张特征图的全局平均池化及全局最大池化信息，通过全连接层后相加得到通道注意力参数，两者共用相同的全连接层，如图3所示。
空间域注意力模块是指，对于那些所要识别的物体仅仅占图像的一小部分的任务而言，一般识别比较困难，因此如果能够对输入图像的物体空间信息自动定位，就能减少背景对于任务的干扰，从而提高模型的识别精度及鲁棒性。本发明通过设计空间注意模块，通过利用以下公式：
先分别对各通道的特征图的每个坐标进行全局最大池化及平均池化后得到两张特征图，然后对得到的特征图进行卷积得到空间注意图，如图4所示。
进一步地，所述卷积神经网络模型中，可以使用深度可分离卷积层代替普通的卷积层。输入层后首先使用卷积层来捕获和提取数据的特征，在后面的多层卷积中，使用卷积层和深度可分离卷积层相融合的方式来提取更复杂更深层次的特征。
具体地，如图5所示。第一步：在2D卷积中分别使用3个卷积核(每个过滤器的大小为3x3x1)，而不使用大小为3x3x3的单个过滤器。每个卷积核仅对输入层的1个通道做卷积，这样的卷积每次都得出大小为5x5x1的映射，之后再将这些映射堆叠在一起创建一个5x5x3的图像，最终得出一个大小为5x5x3的输出图像。
第二步：扩大深度，使用大小为1x1x3的卷积核做1x1卷积。每个1x1x3卷积核对5x5x3输入图像做卷积后都得出一个大小为5x5x1的映射。这样做128次1x1卷积后，就可以得出一个大小为5x5x128的层。
深度可分离卷积完成这两步后，同样可以将一个7x7x3的输入层转换为5x5x128的输出层。
进一步地，所述卷积神经网络模型中，池化层采用最大池化的方式对卷积后的数据进行池化操作。
池化层也称为欠采样或下采样，主要用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性。最大限度地保留数据特征的完整性。
池化层主要有最大池化和平均池化两种形式，在本发明实施例中采用最大池化的方式对卷积后的数据进行池化操作。通过注意力模块来提取数据的关键特征后，使用最大池化的方法能够很好提取特征图中一个最大的元素，以达到降低过拟合率，提高模型容错率的效果。池化层的工作原理如图6所示。
进一步地，所述卷积神经网络模型中，采用RELU激活函数引入非线性因素，对卷积层的输出结果进行激励。
激励函数实际上是对卷积层的输出结果做一次非线性映射，就是用卷积层的输出结果，去乘一个激励函数。如果不用激励函数(其实就相当于激励函数是f(x)＝x)，这种情况下，每一层的输出都是上一层输入的线性函数。因此，无论有多少神经网络层，输出都是输入的线性组合。在卷积神经网络中，主要采用卷积的方式来处理，也就是对每个像素点赋予一个权值，这个操作显然就是线性的。但是对于样本来说，不一定是线性可分的，为了解决这个问题，可以进行线性变化，或者引入非线性因素，解决线性模型所不能解决的问题。因此，这里需要通过激活函数来加入非线性因素，增加模型的表达力和适应性。
在本发明中，采用RELU激励函数对卷积层的输出结果进行激励，其具有以下特点：
(1)x>0时，梯度恒为1，无梯度耗散问题，收敛快。
(2)增大了网络的稀疏性。当x<0时，该层的输出为0，训练完成后为0的神经元越多，稀疏性越大，提取出来的特征就越具有代表性，泛化能力越强。
(3)运算量很小。
基于上述网络，可以通过通道域注意力模块来抓取通道上的不同特征，通过空间域注意力模块来抓取一张图像中所关注区域的特征，其效果如图7所示。可以看出，加入注意力模块后的特征热力图明显更加关注所需要关注的部位。
进一步地，本发明实施例中，采用softmax分类器对表情进行分类，同时利用反向传播和BP函数动态调整网络参数，使网络在训练过程中始终保持最优状态。训练后得到的模型解决了传统卷积神经网络在小目标识别和微表情识别中准确率低，精度不高等缺陷，同时具有计算量小，训练效率高等优点，能够训练更多的数据优化训练模型。
在实际应用中，将本发明得到的训练模型加载至课堂计算机中，在课堂上，通过教室摄像头捕捉上课画面，识别每一个同学的表情并记录，教室内可以通过电脑屏幕获取学生的表情信息，其应用原理框架如图8所示。
综上所述，本发明能够实现对课堂上学生面部表情(包括专注、疑惑和疲劳)的准确识别，尤其能够对课堂后排小目标同学的微表情进行准确地识别，并通过学生的面部表情对学生的上课状态和课堂效果进行评价，在课程结束后，通过对课堂的表情数据的加权和平均得到课堂的整体状态，反馈给教师，有利于其更加系统地制定教学计划，提高教学效果。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种教学场景下基于注意力机制的面部表情分析方法，其特征在于，包括以下步骤：
建立教学场景下的表情识别数据集，并进行预处理；
搭建基于注意力机制的卷积神经网络模型；
利用基于注意力机制的卷积神经网络模型对所述表情识别数据集进行训练，得到适用于教学场景的表情识别模型。
2.根据权利要求1所述的教学场景下基于注意力机制的面部表情分析方法，其特征在于，所述建立教学场景下的表情识别数据集包括：
采集学生上课状态的视频；
从所述视频中选取具有疑惑、疲倦和专注三种表情的学生的图片和短视频，进行标注后得到教学场景下的表情识别数据集；
其中，疑惑表情说明学生对课堂所教授的知识没有理解，课堂教学效果不佳；疲倦表情说明学生当前的听课状态不佳，课堂参与度低；专注表情说明学生听课状态好且课堂参与度高。
3.根据权利要求1所述的教学场景下基于注意力机制的面部表情分析方法，其特征在于，所述基于注意力机制的卷积神经网络模型以Resnet网络为基础，嵌入注意力机制，所述注意力机制包括混合连接的通道域注意力模块和空间域注意力模块。
4.根据权利要求3所述的教学场景下基于注意力机制的面部表情分析方法，其特征在于，所述通道域注意力模块利用以下公式：
分别计算每张特征图的全局平均池化及全局最大池化信息，通过全连接层后相加得到通道注意力参数，两者共用相同的全连接层；
所述空间域注意力模块利用以下公式：
先分别对各通道的特征图的每个坐标进行全局最大池化及平均池化后得到两张特征图，然后对得到的特征图进行卷积得到空间注意图。
5.根据权利要求3所述的教学场景下基于注意力机制的面部表情分析方法，其特征在于，所述卷积神经网络模型中，输入层后首先使用卷积层来捕获和提取数据的特征，在后面的多层卷积中，使用卷积层和深度可分离卷积层相融合的方式来提取更复杂更深层次的特征。
6.根据权利要求3所述的教学场景下基于注意力机制的面部表情分析方法，其特征在于，所述卷积神经网络模型中，池化层采用最大池化的方式对卷积后的数据进行池化操作。
7.根据权利要求3所述的教学场景下基于注意力机制的面部表情分析方法，其特征在于，所述卷积神经网络模型中，采用RELU激活函数引入非线性因素，对卷积层的输出结果进行激励。
8.根据权利要求3所述的教学场景下基于注意力机制的面部表情分析方法，其特征在于，所述利用基于注意力机制的卷积神经网络模型对所述表情识别数据集进行训练包括：
采用softmax分类器对表情进行分类，同时利用反向传播和BP函数动态调整网络参数，使网络在训练过程中始终保持最优状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110498816.1A CN113486700A (zh) | 2021-05-08 | 2021-05-08 | 一种教学场景下基于注意力机制的面部表情分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110498816.1A CN113486700A (zh) | 2021-05-08 | 2021-05-08 | 一种教学场景下基于注意力机制的面部表情分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113486700A true CN113486700A (zh) | 2021-10-08 |
Family
ID=77932760
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110498816.1A Pending CN113486700A (zh) | 2021-05-08 | 2021-05-08 | 一种教学场景下基于注意力机制的面部表情分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113486700A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115067945A (zh) * | 2022-08-22 | 2022-09-20 | 深圳市海清视讯科技有限公司 | 疲劳检测方法、装置、设备及存储介质 |
| CN116168346A (zh) * | 2023-04-21 | 2023-05-26 | 独数一智(北京)信息科技有限公司 | 一种基于学生行为捕捉的远程伴读监督系统 |
| CN117115895A (zh) * | 2023-10-25 | 2023-11-24 | 成都大学 | 一种课堂微表情识别方法、系统、设备及介质 |
| CN117911948A (zh) * | 2024-01-18 | 2024-04-19 | 更亮数字科技(杭州)有限公司 | 一种基于人工智能的专注度识别方法及操作系统 |
| CN117953275A (zh) * | 2024-01-04 | 2024-04-30 | 北京和气聚力教育科技有限公司 | 一种基于ai分析的自适应教学质量评估系统 |
| CN118097761A (zh) * | 2024-04-28 | 2024-05-28 | 江西旅游商贸职业学院 | 一种注意力分析的课堂教学难点分析方法与系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019028592A1 (zh) * | 2017-08-07 | 2019-02-14 | 中国科学院深圳先进技术研究院 | 一种教学辅助方法及采用该方法的教学辅助系统 |
| CN110163145A (zh) * | 2019-05-20 | 2019-08-23 | 西安募格网络科技有限公司 | 一种基于卷积神经网络的视频教学情感反馈系统 |
-
2021
- 2021-05-08 CN CN202110498816.1A patent/CN113486700A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019028592A1 (zh) * | 2017-08-07 | 2019-02-14 | 中国科学院深圳先进技术研究院 | 一种教学辅助方法及采用该方法的教学辅助系统 |
| CN110163145A (zh) * | 2019-05-20 | 2019-08-23 | 西安募格网络科技有限公司 | 一种基于卷积神经网络的视频教学情感反馈系统 |
Non-Patent Citations (2)
| Title |
|---|
| WATERSINK: "注意力模型CBAM", pages 1 - 2, Retrieved from the Internet <URL:https://blog.csdn.net/qq_14845119/article/details/81393127> * |
| 李学翰 等: "基于S-LRCN的微表情识别算法", pages 1 - 13, Retrieved from the Internet <URL:https://doi.org/10.13374/j.issn2095-9389.2020.06.15.006> * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115067945A (zh) * | 2022-08-22 | 2022-09-20 | 深圳市海清视讯科技有限公司 | 疲劳检测方法、装置、设备及存储介质 |
| CN116168346A (zh) * | 2023-04-21 | 2023-05-26 | 独数一智(北京)信息科技有限公司 | 一种基于学生行为捕捉的远程伴读监督系统 |
| CN116168346B (zh) * | 2023-04-21 | 2023-08-18 | 独数一智(北京)信息科技有限公司 | 一种基于学生行为捕捉的远程伴读监督系统 |
| CN117115895A (zh) * | 2023-10-25 | 2023-11-24 | 成都大学 | 一种课堂微表情识别方法、系统、设备及介质 |
| CN117953275A (zh) * | 2024-01-04 | 2024-04-30 | 北京和气聚力教育科技有限公司 | 一种基于ai分析的自适应教学质量评估系统 |
| CN117953275B (zh) * | 2024-01-04 | 2024-09-13 | 北京和气聚力教育科技有限公司 | 一种基于ai分析的自适应教学质量评估系统 |
| CN117911948A (zh) * | 2024-01-18 | 2024-04-19 | 更亮数字科技(杭州)有限公司 | 一种基于人工智能的专注度识别方法及操作系统 |
| CN118097761A (zh) * | 2024-04-28 | 2024-05-28 | 江西旅游商贸职业学院 | 一种注意力分析的课堂教学难点分析方法与系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113486700A (zh) | 一种教学场景下基于注意力机制的面部表情分析方法 | |
| CN110889672B (zh) | 一种基于深度学习的学生打卡及上课状态的检测系统 | |
| Liu et al. | Hard negative generation for identity-disentangled facial expression recognition | |
| CN106204779B (zh) | 基于多人脸数据采集策略和深度学习的课堂考勤方法 | |
| Zhang et al. | Inkthetics: a comprehensive computational model for aesthetic evaluation of Chinese ink paintings | |
| CN109711356B (zh) | 一种表情识别方法和系统 | |
| CN109902912A (zh) | 一种基于性格特征的个性化图像美学评价方法 | |
| CN110163567A (zh) | 基于多任务级联卷积神经网络的课堂点名系统 | |
| CN113807265A (zh) | 一种多样化的人脸图像合成方法及系统 | |
| CN111062329A (zh) | 基于增广网络的无监督行人重识别方法 | |
| Krishnan et al. | SwiftSRGAN-Rethinking super-resolution for efficient and real-time inference | |
| Mamdouh et al. | A New Model for Image Segmentation Based on Deep Learning. | |
| Chen et al. | Intelligent teaching evaluation system integrating facial expression and behavior recognition in teaching video | |
| Liu et al. | 4D facial analysis: A survey of datasets, algorithms and applications | |
| CN117576753A (zh) | 基于面部关键点的注意力特征融合的微表情识别方法 | |
| CN111368663A (zh) | 自然场景中静态面部表情识别方法、装置、介质及设备 | |
| CN111709278B (zh) | 一种识别猕猴面部表情的方法 | |
| CN115457374A (zh) | 基于推理模式评估深伪图像检测模型泛化性方法及装置 | |
| Yu et al. | Confies: Controllable neural face avatars | |
| CN114360034A (zh) | 基于三胞胎网络的深度伪造人脸检测方法、系统及设备 | |
| Nidhi et al. | From methods to datasets: a detailed study on facial emotion recognition | |
| Shijin et al. | Research on classroom expression recognition based on deep circular convolution self-encoding network | |
| Tan et al. | Tackling Event-Based Lip-Reading by Exploring Multigrained Spatiotemporal Clues | |
| CN111126364A (zh) | 一种基于分组卷积神经网络的表情识别方法 | |
| CN112906539B (zh) | 一种基于eeg数据的物体识别方法 |
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 |