CN114359816A - 基于边缘计算的动态扩容视频分析课桌及智能识别方法 - Google Patents
基于边缘计算的动态扩容视频分析课桌及智能识别方法 Download PDFInfo
- Publication number
- CN114359816A CN114359816A CN202210036570.0A CN202210036570A CN114359816A CN 114359816 A CN114359816 A CN 114359816A CN 202210036570 A CN202210036570 A CN 202210036570A CN 114359816 A CN114359816 A CN 114359816A
- Authority
- CN
- China
- Prior art keywords
- face
- model
- desk
- router
- concentration
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 56
- 238000004364 calculation method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims description 49
- 239000013598 vector Substances 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 19
- 230000014509 gene expression Effects 0.000 claims description 16
- 238000007726 management method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000005538 encapsulation Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 230000001815 facial effect Effects 0.000 claims description 2
- 238000004806 packaging method and process Methods 0.000 abstract description 4
- 230000008451 emotion Effects 0.000 abstract description 3
- 230000008921 facial expression Effects 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract 2
- 238000002372 labelling Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000001965 increasing effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000474 nursing effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 208000013875 Heart injury Diseases 0.000 description 1
- 206010027940 Mood altered Diseases 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000010195 expression analysis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000007510 mood change Effects 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 210000001331 nose Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了基于边缘计算的动态扩容视频分析课桌,包括课桌,所述课桌内部分别设置有集成线路封装盒、高清摄像机和边缘计算设备,所述集成线路封装盒内部设置有子路由器、交换机和网络硬盘录像机,所述高清摄像机连接交换机,交换机分别连接网络硬盘录像机和子路由器,子路由器分别连接边缘计算设备和母路由器,母路由器分别连接边缘管理设备和PC端,在边缘侧实现了大规模视频AI分析,多至48路视频同时实时分析,不依赖公网,如校园网等,避免出现了公网带宽低、网速慢,甚至无公网的问题;应用了人脸识别模型、人脸表情识别模型、注意力分析模型来对儿童人脸进行智能分析,得出儿童的情绪和专注力数据。
Description
技术领域
本发明涉及人脸识别领域,尤其涉及基于边缘计算的动态扩容视频分析课桌及智能识别方法。
背景技术
幼儿园的孩子成长的懵懂期,调皮、好动、想象力丰富,但理解力有限。照顾好这个时期的孩子,需要丰富的经验,了解孩子的心理。幼儿园是保教机构,既要保育又要教育。保育通俗的来讲包括孩子的吃喝拉撒睡,是指让孩子在幼儿园健康的成长发展。幼儿园教师还有解决家长后顾之忧、支持家长工作的任务,所以对幼教来说了解孩子的心理,帮助孩子建立健全的人格更加重要。根据调查,了解到每一个幼教工作者需要照顾 10 到30个左右的小朋友。小朋友在校期间,幼教工作者无法实时掌握每个孩子的心情变化和心理状况,有可能因为对某个小朋友关注度不够而引起一系列的麻烦。通过人脸识别可以精准分析学生身份、情绪、活动状态、行为分析等,实现自动化监测和数字化评估,有效促进教学质量提升,解决传统幼教面临的问题。然而,实现每个教室 10-30 人的自动监测需要搭建昂贵的云服务器以及云 GPU 资源,更关键的是这依赖网络大带宽资源,而目前众多幼儿园,尤其二、三、四线城市的幼儿园信息化基础设施薄弱、宽带速率低、智能化程度低,导致在很多信息化教育教学应用难以落地实现,除此之外,市场上现有的实时视频分析边缘设备动则几十万,且必须采用 GPU 架构,单颗 GPU 支持 16 路实时视频分析已经算非常多了,还不足以满足市场需求。
发明内容
本发明提供基于边缘计算的动态扩容视频分析课桌及智能识别方法。
本发明通过以下技术方案实现:
基于边缘计算的动态扩容视频分析课桌,包括课桌,其特征在于,所述课桌内部分别设置有集成线路封装盒、高清摄像机和边缘计算设备,所述集成线路封装盒内部设置有子路由器、交换机和网络硬盘录像机,所述高清摄像机连接交换机,交换机分别连接网络硬盘录像机和子路由器,子路由器分别连接边缘计算设备和母路由器,母路由器分别连接边缘管理设备和PC端。
进一步的,所述课桌内部设置有3个边缘计算设备和6个高清摄像机,且每个边缘计算设备分别通过交换机和子路由器连接2个高清摄像机。
进一步的,所述课桌有8张,8张课桌的子路由器分别连接母路由器,母路由器连接边缘管理设备。
基于边缘计算的动态扩容视频分析课桌的智能识别方法,包括人脸识别方法和专注力分析方法,智能识别方法采用人脸检测模型、人脸关键点检测模型、ViTResNet50模型和TSM专注力预测模型进行以下步骤:
S1、通过人脸检测模型检测人脸的boxes;
S2、将boxes经过scale后从源图像上corp人脸切片;
S3、将人脸切片输入人脸关键点检测模型获取人脸关键点;
S4、通过人脸对齐算法对齐人脸;
所述人脸识别方法在步骤S1-S4的基础上,进行以下步骤:
S101、将对齐后的人脸输入ViTResNet50模型后提取到512维的人脸特征向量;
S102、将提取后的人脸特征向量输入至人脸数据库;
S103、将人脸特征向量与人脸数据库数据进行余弦相似度计算,识别人脸;
所述专注力分析方法在步骤S1-S4的基础上,进行以下步骤:
S201、将对齐的人脸输入表情分类网络,得到表情和其他特征向量;
S202、将指定时间内的人脸集合融合表情得到专注力光流并输入至专注力预测模型;
S203、由专注力预测模型得到指定时间内的专注力评分。
进一步的,对采用人脸识别方法进行识别的人脸数据进行标注,所述标注包括人脸框标注、人脸身份标注、专注力标注和表情标注,所述人脸框标注和人脸身份标注由人脸识别方法提供,所述专注力标注和表情标注由专注力分析方法提供。
进一步的,所述人脸识别方法还包括ViTResNet50模型的训练方法,所述ViTResNet50模型的训练方法是将具有人脸身份标注的人脸数据输入人脸识别网络,获得身份特征向量,身份特征向量由Arcmargin进行向量分类,分类后的向量由Focalloss方法计算第一相关损失函数,对第一相关损失函数进行训练。
进一步的,所述专注力分析方法还包括述TSM专注力预测模型的训练方法,所述TSM专注力预测模型的训练方法是将具有专注力标注的人脸数据输入TSM专注力网络,获得注意向量,根据注意向量计算第二相关损失函数,对第二相关损失函数进行训练。
进一步的,ViTResNet50模型为主干网络模型,所述主干网络模型中设置有transformer注意力增强机制。
进一步的,所述人脸检测模型、人脸关键点检测模型、ViTResNet50模型和TSM专注力预测模型均使用模型量化技术,将 Float32 的类型数据转换为 int8 的类型数据。
本发明的有益效果:
1、在边缘侧实现了大规模视频 AI 分析,多至 48 路视频同时实时分析,不依赖公网,如校园网等,避免出现了公网带宽低、网速慢,甚至无公网的问题;
2、提高学生使用安全,一桌一网,每张课桌不需要外接网线,所有设备和网线均隐藏在课桌内部,美观且安全;
3、支持动态扩展视频 AI 分析路数,扩充方式简单便捷;
4、应用了人脸识别模型、人脸表情识别模型、注意力分析模型来对儿童人脸进行智能分析,得出儿童的情绪和专注力数据;
5、边缘计算设备支持对新增人脸库进行更新人脸特征库,实现局域网环境实时添加新的人脸比对库,提高边缘端设备使用效率。
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要介绍,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,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提出的基于边缘计算的动态扩容视频分析课桌的结构图;
图2为本发明提出的基于边缘计算的动态扩容视频分析课桌的结构框图一;
图3为本发明提出的基于边缘计算的动态扩容视频分析课桌的结构图二;
图4为本发明提出的基于边缘计算的动态扩容视频分析课桌的结构图三;
图5基于边缘计算的动态扩容视频分析课桌的智能识别方法的人脸识别算法模型结构图一;
图6基于边缘计算的动态扩容视频分析课桌的智能识别方法的人脸识别算法模型结构图二;
图7基于边缘计算的动态扩容视频分析课桌的智能识别方法的人脸识别算法模型结构图三;
图8基于边缘计算的动态扩容视频分析课桌的智能识别方法的人脸识别算法模型结构图四;
图9基于边缘计算的动态扩容视频分析课桌的智能识别方法的人脸识别算法模型结构图五。
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明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1
如图1,基于边缘计算的动态扩容视频分析课桌,包括课桌,所述课桌内部分别设置有集成线路封装盒、高清摄像机和边缘计算设备;课桌内所有的设备均隐藏在课桌的集成线路封装盒内部,对外不接网线;
如图2和图3,所述集成线路封装盒内部设置有子路由器、交换机和网络硬盘录像机,所述高清摄像机连接交换机,交换机分别连接网络硬盘录像机和子路由器,子路由器分别连接边缘计算设备和母路由器,母路由器分别连接边缘管理设备和PC端,当课桌安装于教室中后,每一个教室具备一个母路由器作为入口路由器,课桌通过接入母路由器入网,具体为课桌的子路由器通过桥接接入主路由器。
进一步的,所述课桌内部设置有3个边缘计算设备和6个高清摄像机,且每个边缘计算设备分别通过交换机和子路由器连接2个高清摄像机,每个边缘计算设备可以连接2路视频,对应2个高清摄像机,每个摄像机对应一个座位,确保清晰抓拍到每个座位的人脸情况,所述边缘计算设备可对高清摄像机采集的视频流进行智能分析和数据存储处理,并将数据由子路由器发送至母路由器,再由母路由器发送至边缘管理设备,用户通过PC端连接母路由器进入边缘管理设备的服务后台,可以查看学生上课视频以及视频对应的学生姓名、位置编号、停留时间和情绪记录等信息,其中学生上课视频保存于网络硬盘录像机内。
如图4,所述课桌有8张,8张课桌的子路由器分别连接母路由器,母路由器连接边缘管理设备,其中1张课桌可实现6路视频分析,在此基础上增加1个课桌只需要在边缘管理设备中配置另一张课桌,即可动态扩容到2张课桌进行12路视频分析,因为视频 AI 分析被圈定在了课桌内部,包括视频流采集、边缘端 AI 分析、视频流存储和回放等网络访问,都存在于一张课桌中,并且多张课桌的 AI 分析和网络访问相互独立,互不影响。所以在需要更多视频 AI 分析路数的情况下,增加1张或多张课桌就能够非常方便、快速地满足需求,而且不要过多考虑网路负载和算力问题,虽然缘管理设备的最大连接数为8,但是在理论上边缘管理设备可动态扩容无限张课桌,由于边缘管理设备受到数据库的并发写能力和数据库容量问题的限制,所以视频路数会受到限制,如果要增加视频路数可通过增加 SSD 容量大小等方式来解决,增加内存容量并不涉及技术实现细节的调整,理论上将只要硬件选型合适,就能够适配无限多路 AI 实时视频分析。
实施例2
本实施例在实施例1的基础上,提出基于边缘计算的动态扩容视频分析课桌的设备功能描述。
高清摄像机用于采集人脸视频数据;
网络硬盘录像机用于存储人脸视频数据;
边缘计算设备用于从网络硬盘录像机获取视频流,并进行人脸检测、人脸对比、专注力分析、表情识别等AI分析;
边缘管理设备用于运行服务后台,可供用户通过PC端等智能设备进行可视化查询,也可添加人脸库,生产新的人脸特征,并实时发送至边缘计算设备;
其中边缘计算设备的工作流程如下:
1、从网络硬盘录像机读取视频流;
2、运行 AI 模型对低龄人群进行动态人脸特征分析,如眼耳口鼻等;
3、运行 AI 模型对低龄人群进行动态人脸比对,搜索姓名;
4、运行 AI 模型对低龄人群进行动态人脸表情分析,如高兴、惊讶、伤心;
5、运行 AI 模型对低龄人群进行动态专注力分析;
6、将分析结果生成结构化数据并存储。
边缘管理设备的工作流程如下:
1、结构化的数据存储;
2、人脸特征模型管理和更新(包括人脸特征检测、表情、专注力等);
3、人脸图片库增。
实施例3
本实施例提出基于边缘计算的动态扩容视频分析课桌的智能识别方法
1、人脸识别方法先通过人脸检测模型检测人脸的 boxes,将获得的 boxes 经过scale 后从源图像上 corp 人脸切片,将人脸切片输入人脸关键点检测模型获取到人脸关键点,通过人脸对齐算法对齐人脸,将对齐后的人脸输入人脸特征检测模型(ViTResNet50)后提取到 512 维的人脸特征向量。接着将人脸特征向量保存到人脸数据库作为对比数据,在识别过程中会将人脸特征向量和数据库中保存的数据进行余弦相似度计算获得相似度,用于人脸识别。
2、专注力分析方法先通过人脸检测模型检测人脸的 boxes,将获得的 boxes 经过 scale 后从源图像上 corp 人脸切片,将人脸切片输入人脸关键点检测模型获取到人脸关键点,通过人脸对齐算法对齐人脸,将人脸输入表情分类网络,得到表情和其他特征向量,将指定时间内的人脸集合融合表情和其他特征向量作为专注力光流输入专注力预测模型,光流即一段时间内变化的向量或者图像,得出此时间内的专注力评分。
通过视频收集幼儿的活动录像,经过人工筛查筛选后,设计数据处理程序进行处理,并且对选定数据进行标注,包括了对人脸框的标注,人脸身份的标注,注意力状态的标注,表情的标注。同时也对目标数据使用了数据增强:所述的数据增强包括了对数据图像的颜色扰动、添加噪声、随机翻转、裁剪、镜像处理以及 mixup 图像叠加。
其中,使用数据处理程序将非结构化的数据视频进行处理流程如下。
1.视频时长长帧数较多,丢弃视频前后两端的多余视频帧;
2.视频时长短帧数较少,在视频前后两端补齐视频帧;
3.计算每个视频的帧数,对视频帧集进行稀疏采样抽帧,每个分类有若干个视频文件夹,每个视频文件夹里有若干个属于这个视频的视频帧,同时在每类视频文件夹保存这个视频分类的标签,视频分类由人工分类。
4.将结构化的视频数据总量的80%划分为训练数据集10%为验证集,剩余10%为测试数据集。
4、TSM 专注力预测模型、ViTResNet50 模型的训练方法:
a) 将带有身份标签的数据集输入人脸识别网络后,获得身份特征向量,获得特征向量后使用 Arcmargin 来对向量进行分类,最后使用 focalloss 方法计算损失函数
b) 采用所述相关损失函数进行训练。
c) 将带有专注力标签的数据集输入 TSM 专注力网络后,获得注意力向量
d) 根据所诉注意力向量计算相关损失函数对所述注意力预测网络进行训练
5、人脸识别模型使用了 ResNet50 网络为 Backbone,在保证精度的同时又保证了速度,并且在网络之中添加了 transformer 注意力机制增强了网络的抽象建模能力。
6、专注力预测模型使用了TSM 算法,在时间上进行建模,使模型能够理解时间信息,对专注力进行预测,使用 2D 卷积同时又减少模型的计算量。
7、上述所有模型均使用了模型量化技术,将 Float32 类型的数据转换为 int8的类型数据,大幅度提高了运算速度,以及模型体积减少了60%,满足了模型在边缘设备上运行的需求。
8、其中ResNet50模型使用了模型裁剪技术,对初步训练的模型中参数敏感度进行分析后裁剪掉一部分,减少模型的参数,达到了减少模型体积,提高运算速度的效果,满足模型在边缘设备上的运行需求。
9、序号4中模型的训练中使用了预训练模型,这种训练方法使模型更加容易收敛,加快了模型训练的进程。
10、如图5-图9为人脸识别算法模型的结构。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.基于边缘计算的动态扩容视频分析课桌,包括课桌,其特征在于,所述课桌内部分别设置有集成线路封装盒、高清摄像机和边缘计算设备,所述集成线路封装盒内部设置有子路由器、交换机和网络硬盘录像机,所述高清摄像机连接交换机,交换机分别连接网络硬盘录像机和子路由器,子路由器分别连接边缘计算设备和母路由器,母路由器分别连接边缘管理设备和PC端。
2.根据权利要求1所述的基于边缘计算的动态扩容视频分析课桌,其特征在于,所述课桌内部设置有3个边缘计算设备和6个高清摄像机,且每个边缘计算设备分别通过交换机和子路由器连接2个高清摄像机。
3.根据权利要求1所述的基于边缘计算的动态扩容视频分析课桌,其特征在于,所述课桌有8张,8张课桌的子路由器分别连接母路由器,母路由器连接边缘管理设备。
4.基于边缘计算的动态扩容视频分析课桌的智能识别方法,其特征在于,包括人脸识别方法和专注力分析方法,智能识别方法采用人脸检测模型、人脸关键点检测模型、ViTResNet50模型和TSM专注力预测模型进行以下步骤:
S1、通过人脸检测模型检测人脸的boxes;
S2、将boxes经过scale后从源图像上corp人脸切片;
S3、将人脸切片输入人脸关键点检测模型获取人脸关键点;
S4、通过人脸对齐算法对齐人脸;
所述人脸识别方法在步骤S1-S4的基础上,进行以下步骤:
S101、将对齐后的人脸输入ViTResNet50模型后提取到512维的人脸特征向量;
S102、将提取后的人脸特征向量输入至人脸数据库;
S103、将人脸特征向量与人脸数据库数据进行余弦相似度计算,识别人脸;
所述专注力分析方法在步骤S1-S4的基础上,进行以下步骤:
S201、将对齐的人脸输入表情分类网络,得到表情和其他特征向量;
S202、将指定时间内的人脸集合融合表情得到专注力光流并输入至专注力预测模型;
S203、由专注力预测模型得到指定时间内的专注力评分。
5.根据权利要求4所述的基于边缘计算的动态扩容视频分析课桌的智能识别方法,其特征在于,对采用人脸识别方法进行识别的人脸数据进行标注,所述标注包括人脸框标注、人脸身份标注、专注力标注和表情标注,所述人脸框标注和人脸身份标注由人脸识别方法提供,所述专注力标注和表情标注由专注力分析方法提供。
6.根据权利要求4所述的基于边缘计算的动态扩容视频分析课桌的智能识别方法,其特征在于,所述人脸识别方法还包括ViTResNet50模型的训练方法,所述ViTResNet50模型的训练方法是将具有人脸身份标注的人脸数据输入人脸识别网络,获得身份特征向量,身份特征向量由Arcmargin进行向量分类,分类后的向量由Focalloss方法计算第一相关损失函数,对第一相关损失函数进行训练。
7.根据权利要求4所述的基于边缘计算的动态扩容视频分析课桌的智能识别方法,其特征在于,所述专注力分析方法还包括述TSM专注力预测模型的训练方法,所述TSM专注力预测模型的训练方法是将具有专注力标注的人脸数据输入TSM专注力网络,获得注意向量,根据注意向量计算第二相关损失函数,对第二相关损失函数进行训练。
8.根据权利要求4所述的基于边缘计算的动态扩容视频分析课桌的智能识别方法,其特征在于,ViTResNet50模型为主干网络模型,所述主干网络模型中设置有transformer注意力增强机制。
9.根据权利要求4所述的基于边缘计算的动态扩容视频分析课桌的智能识别方法,其特征在于,所述人脸检测模型、人脸关键点检测模型、ViTResNet50模型和TSM专注力预测模型均使用模型量化技术,将 Float32 的类型数据转换为 int8 的类型数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210036570.0A CN114359816A (zh) | 2022-01-13 | 2022-01-13 | 基于边缘计算的动态扩容视频分析课桌及智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210036570.0A CN114359816A (zh) | 2022-01-13 | 2022-01-13 | 基于边缘计算的动态扩容视频分析课桌及智能识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114359816A true CN114359816A (zh) | 2022-04-15 |
Family
ID=81109011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210036570.0A Pending CN114359816A (zh) | 2022-01-13 | 2022-01-13 | 基于边缘计算的动态扩容视频分析课桌及智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114359816A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117331908A (zh) * | 2023-08-23 | 2024-01-02 | 上海麦杰科技股份有限公司广州分公司 | 一种实时数据库在线扩容方法及系统装置 |
-
2022
- 2022-01-13 CN CN202210036570.0A patent/CN114359816A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117331908A (zh) * | 2023-08-23 | 2024-01-02 | 上海麦杰科技股份有限公司广州分公司 | 一种实时数据库在线扩容方法及系统装置 |
CN117331908B (zh) * | 2023-08-23 | 2024-05-14 | 上海麦杰科技股份有限公司广州分公司 | 一种实时数据库在线扩容方法及系统装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598770B (zh) | 一种多空间融合学习环境构建方法和装置 | |
JP6305389B2 (ja) | 人工知能によるヒューマン・マシン間の知能チャットの方法および装置 | |
CN110929098B (zh) | 视频数据的处理方法、装置、电子设备及存储介质 | |
CN113506624B (zh) | 基于逐层泛化推送逻辑的孤独症儿童认知能力评估干预系统 | |
CN104299178A (zh) | 一种基于面部识别的网络教学方法及系统 | |
CN117055724B (zh) | 虚拟教学场景中生成式教学资源系统的工作方法 | |
CN114638732A (zh) | 一种人工智能智慧教育平台及其应用 | |
Ramakrishnan et al. | Toward automated classroom observation: Predicting positive and negative climate | |
Qiao | Integration model for multimedia education resource based on internet of things | |
CN114519397B (zh) | 基于对比学习的实体链接模型的训练方法、装置、设备 | |
KR20190103504A (ko) | 대화시나리오 자동 수집 및 온톨로지 대화 관계망을 이용한 연속 대화 방법 및 시스템 | |
Imran et al. | Multimedia learning objects framework for e-learning | |
CN114359816A (zh) | 基于边缘计算的动态扩容视频分析课桌及智能识别方法 | |
CN110728604B (zh) | 一种分析方法及装置 | |
CN112749641A (zh) | 适用于儿童语言教学场景的数据采集方法、服务器及系统 | |
CN110879843B (zh) | 基于机器学习的构建自适应知识图谱技术的方法 | |
CN112905811A (zh) | 一种基于学生课堂行为分析的教学音视频推送方法及系统 | |
Cuzco-Calle et al. | An interactive system to automatically generate video summaries and perform subtitles synchronization for persons with hearing loss | |
CN114911910A (zh) | 问答系统、方法、电子设备及存储介质 | |
TWI656448B (zh) | 主題提供裝置及其雲儲存檔案提示方法 | |
CN112270231A (zh) | 一种确定目标视频属性特征的方法、存储介质、电子设备 | |
Basnyat et al. | Towards AI Conversing: FloodBot using Deep Learning Model Stacks | |
Hao | Design and application of an intelligent communication platform for aesthetics education for internationalization | |
CN115689833B (zh) | 基于多维感知和普适计算的智慧教学空间模式构建方法 | |
CN114938462B (zh) | 授课视频的智能剪辑方法、系统、电子设备及存储介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231215 Address after: Room 2271, Building 7, No. 1197 Bin'an Road, Changhe Street, Binjiang District, Hangzhou City, Zhejiang Province, 310000 (self declared) Applicant after: Hangzhou Yuanma Intelligent Technology Co.,Ltd. Address before: 310000 room 103-8, building 3, No. 407, Stadium Road, Xiacheng District, Hangzhou City, Zhejiang Province Applicant before: Xiaoshi Internet (Hangzhou) Technology Co.,Ltd. |