基于面部检测和头部姿势估计的在线学习状态评估方法

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 人与计算机的交互

背景情况:

• 在线学习需要有效的方法来监测学生的参与度和注意力.
• 评估学习状态的现有方法往往需要大量的计算资源,这限制了它们在移动设备上的使用.
• 需要高效的算法,能够准确地实时评估学生的学习状态.

研究的目的:

• 为移动设备提出一个计算效率高的学习状态评估方法.
• 开发用于面部检测和头部姿势估计的轻量级网络.
• 创建一个算法,根据面部和头部姿势数据来评估学生的注意力.

主要方法:

• 开发了一个基于幽灵和注意模块 (GA) 的面部检测网络 (GA-Face),利用幽灵模块和无参数的注意力机制来减少计算负载.
• 为了高效的头部姿势分析,提出了一个轻量级的双分支 (DB) 头部姿势估计网络 (DB-Net).
• 设计了一个学生学习状态评估算法,集成面对屏幕距离和头部姿势分析.

主要成果:

• GA-Face和DB-Net在标准面部检测和头部姿势估计数据集上表现出有效性.
• 拟议的方法通过实践案例得到验证,显示了对学生注意力和集中力的准确评估.
• 该方法的低计算复杂性确保它不会干扰学生的学习过程.

结论:

• 提出的学习状态评估方法是有效的,适用于资源有限的移动设备.
• 在学习评估中,GA-Face和DB-Net提供了面部检测和头部姿势估计的高效解决方案.
• 这种方法提供了一种非侵入性的方法来监测学生在在线学习环境中的参与.