掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
妙相梵容
-
>
基立爾蒙文:蒙文
-
>
我的石頭記
-
>
心靈元氣社
-
>
女性生存戰爭
-
>
縣中的孩子 中國縣域教育生態
-
>
(精)人類的明天(八品)
基于多模態數據的學生在校行為特征研究 版權信息
- ISBN：9787509698662
- 條形碼：9787509698662 ; 978-7-5096-9866-2
- 裝幀：暫無
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
基于多模態數據的學生在校行為特征研究 內容簡介
學生群體的日常行為大多發生在固定的校園環境內，智慧校園提供了大量對于學生群體的行為記錄數據，對于學生群體和個體來說，其對應數據被詳細地記錄或可從多項數據中綜合分析獲得，為建構學生群體和個體的行為模式基線以及分析行為模式的變化提供可能性。本書主要以學生的課堂行為和生活習慣作為研究對象，基于大數據分析的視角，通過大數據技術感知學生的課堂學習狀態變化及校園行為模式變化，從而為學生個體的課堂學習參與度的分析提供直接數據支持，也為心理健康狀況變化的主動監測提供側面數據支持。
基于多模態數據的學生在校行為特征研究 目錄
第1章 緒論
1.1 研究背景與意義
1.1.1 在線教育方面的研究背景
1.1.2 心理健康教育方面的研究背景
1.2 研究的必要性分析
1.2.1 在線學習狀態分析的必要性分析
1.2.2 情緒狀態分析的必要性分析
1.3 本書的內容簡介
1.4 本書涉及的數據集
1.4.1 在線教學的學生端視頻數據
1.4.2 課堂教學的教室監控視頻數據
1.4.3 校園卡的刷卡消費和門禁數據
1.5 本書的組織結構
第2章 相關方法和技術基礎
2.1 智慧校園數據分析與應用
2.2 用戶行為數據表示與分析方法
2.2.1 面部表情識別技術
2.2.2 面部姿態估計技術
2.2.3 動作和手勢識別技術
2.2.4 情感識別及其序列分析
2.3 學生心理健康問題識別方法
2.3.1 基于醫學診斷的識別方法
2.3.2 基于生理信號的識別方法
2.3.3 基于視覺技術的識別方法
2.3.4 基于社交和網絡數據的識別方法
2.3.5 基于行為習慣的評估方法
2.4 學生個體的智能推薦方法
2.5 表情識別模型和方法
2.5.1 表情識別模型及方法的廣泛應用
2.5.2 基于區域劃分的面部表情識別方法
2.5.3 基于注意力機制的面部表情識別方法
2.6 面部姿態估計模型與方法
2.6.1 基于人臉關鍵點檢測的面部姿態估計方法
2.6.2 基于無須人臉關鍵點檢測的面部姿態估計方法
2.7 3D人臉建模方法與技術
2.7.1 傳統的三維人臉重建方法
2.7.2 基于模型的三維人臉重建
2.7.3 端到端的三維人臉建模
2.8 人物交互檢測與識別方法
2.8.1 兩階段人物交互檢測算法
2.8.2 單階段人物交互檢測算法
2.8.3 端到端的人物交互檢測算法
2.9 單目標跟蹤方法與技術
2.9.1 基于濾波算法的目標跟蹤
2.9.2 基于孿生網絡檢測的目標跟蹤
第3章 輕客戶端表情識別模型改進方法研究
3.1 適用于學生端的表情識別模型改進
3.1.1 模型改進方案設計
3.1.2 實驗數據集描述與預處理
3.1.3 模型改進實驗結果與分析
3.2 基于不同區域特征融合的面部表情識別
3.2.1 注意力機制的改進
3.2.2 基于注意力機制的多尺度特征融合方法
3.2.3 損失函數設計
3.2.4 實驗設置與數據集介紹
3.2.5 實驗結果定性與定量分析
3.2.6 消融實驗分析
3.3 本章小結
第4章 單目視頻中面部姿態估計模型改進研究
4.1 面部姿態估計模型改進
4.1.1 網絡模型改進方案
4.1.2 基于FPTR網絡模型的面部姿態估計
4.1.3 基于坐標轉換的面部邊界框估計
4.1.4 損失函數設計
4.2 面部姿態識別實驗結果與分析
4.2.1 模型訓練參數設置
4.2.2 模型有效性定性分析
4.2.3 模型性能定量分析
4.2.4 消融實驗分析
4.3 本章小結
第5章 基于單目視頻的學生3D人臉建模
5.1 端到端的人臉建模原理
5.2 基于MTCNN的人臉檢測
5.2.1 MTCNN檢測模型網絡結構
5.2.2 調整因子與Minsize參數
5.2.3 模型損失函數
5.3 基于幀間相似度的關鍵幀提取
5.3.1 常用的關鍵幀提取方法
5.3.2 鏡頭邊界的判斷
5.3.3 幀間相似性的計算
5.3.4 融合與改進后的算法
5.4 基于圖像幾何自動編碼器的人臉重建
5.4.1 圖像幾何編碼器
5.4.2 圖像幾何編碼器網絡架構
5.4.3 圖像幾何編碼器的改進方法
5.4.4 改進模型的實現方法
5.5 實驗結果與分析
5.5.1 實驗結果定性分析
5.5.2 人臉檢測模型改進效果分析
5.5.3 關鍵幀提取改進效果分析
5.5.4 自動編碼器的改進效果分析
5.5.5 Batch Size對訓練效率的影響
5.6 本章小結
第6章 單目視頻中交互檢測與識別研究
6.1 人物交互行為檢測模型框架對比
6.1.1 兩階段人物交互檢測模型框架
6.1.2 單階段人物交互檢測模型框架
6.1.3 端到端的人物交互檢測模塊框架
6.2 基于Transformer的人物交互檢測框架改進
6.2.1 人物交互檢測模型SHOTR模型
6.2.2 基于多分辨率特征的信息融合
6.2.3 基于信息性得分的特征篩選
6.2.4 基于Transformer的人物交互關系推理
6.2.5 損失函數
6.3 實驗分析
6.3.1 數據集及評價指標
6.3.2 訓練過程與結果可視化
6.3.3 對比分析實驗
6.3.4 消融實驗分析
6.4 本章小結
第7章 學生個體特征畫像與交互推薦
7.1 交互推薦原則分析
7.2 基于短期向量聚類的學生分類
7.3 基于長期向量聚類的學生推薦
7.4 實驗結果分析
7.5 本章小結
第8章 課堂視頻中的面部姿態識別與數據分析
8.1 面部姿態識別與數據分析方法
8.2 面部姿態數據獲取模型
8.3 學生面部姿態數據獲取與預處理
8.3.1 基于連續幀的學生面部與身份匹配
8.3.2 學生面部姿態數據序列構建
8.4 面部姿態數據語義化轉換
8.4.1 面部姿態數據的分布情況
8.4.2 面部姿態數據語義化轉換
8.5 群體面部姿態的狀態隨時間變化情況
8.5.1 面部姿態狀態靜態統計
8.5.2 面部姿態狀態靜態分析
8.6 群體面部姿態狀態切換頻率統計
8.6.1 不同時間段的面部姿態狀態變化統計
8.6.2 面部姿態狀態隨時間變化分析
8.7 群體頭部位置變化數據分析
8.7.1 頭部位置移動幅度評分
8.7.2 學生群體活躍度分析
8.8 本章小結
第9章 課間視頻中的學生個體目標跟蹤研究
9.1 SiamFC模型和SiamRPN++模型對比
9.1.1 SiamFC模型原理
9.1.2 SiamRPN++模型原理
9.2 基于孿生網絡的單目標跟蹤模型
9.2.1 單目標跟蹤模型SiamRPNer++結構
9.2.2 基于ResNeXt的特征提取網絡優化
9.2.3 基于空間注意力的特征增強
9.2.4 損失函數
9.3 實驗分析
9.3.1 數據集及評價指標
9.3.2 實驗環境設置
9.3.3 定量對比實驗分析
9.3.4 定性對比實驗分析
9.3.5 消融實驗分析
9.4 本章小結
第10章 基于刷卡數據的學生行為特征分析
10.1 刷卡數據的預處理
10.2 刷卡機分布數據統計
10.3 學生刷卡數據群體特征分析
10.3.1 學生充值情況統計
10.3.2 學生對不同食堂的喜好傾向
10.3.3 學生對不同消費窗口的喜好傾向
10.3.4 所有學生平均每餐的消費情況
10.4 學生分類別群體消費傾向分析
10.4.1 不同性別的消費類別傾向分析
10.4.2 不同專業的消費特征分析
10.4.3 不同專業門禁使用特征分析
10.5 刷卡數據的個性化分析
10.5.1 某同學的消費數據占位情況分析
10.5.2 某同學消費習慣的變化情況
10.5.3 某同學消費數據基準間的相似度比較
10.6 本章小結
第11章 總結與展望
11.1 本書的工作總結
11.2 進一步研究與展望
參考文獻
展開全部
基于多模態數據的學生在校行為特征研究 作者簡介
李慧，工學博士，北京聯合大學管理學院副教授。主要研究方向為數據挖掘與數據分析。 2014年博士畢業于北京科技大學計算機應用技術專業，同年入職北京聯合大學管理學院。主持國家自然科學基金項目1項、主持北京市自然科學基金項目1項。以第一作者發表論文20余篇、以第一發明人授權國家發明專利1項。
書友推薦
- >
羅庸西南聯大授課錄
- >
二體千字文
- >
上帝之肋:男人的真實旅程
- >
羅曼·羅蘭讀書隨筆-精裝
- >
名家帶你讀魯迅:朝花夕拾
- >
山海經
- >
巴金－再思錄
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
本類暢銷
