[
-
内容大纲
学生群体的日常行为大多发生在固定的校园环境内，智慧校园提供了大量对于学生群体的行为记录数据，对于学生群体和个体来说，其对应数据被详细的记录或可从多项数据中综合分析获得，为建构学生群体和个体的行为模式基线以及分析行为模式的变化提供可能性。本书主要以学生的课堂行为和生活习惯作为研究对象，基于大数据分析的视角，通过大数据技术感知学生的课堂学习状态变化及校园行为模式变化，从而为学生个体的课堂学习参与度的分析提高直接数据支持，也为心理健康状况变化的主动监测提供侧面数据支持。 -
作者介绍
李慧，工学博士，北京联合大学管理学院副教授。主要研究方向为数据挖掘与数据分析。 2014年博士毕业于北京科技大学计算机应用技术专业，同年入职北京联合大学管理学院。主持国家自然科学基金项目1项、主持北京市自然科学基金项目1项。以第一作者发表论文20余篇、以第一发明人授权国家发明专利1项。 -
目录
第1章 绪论
1.1 研究背景与意义
1.1.1 在线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 在线学习状态分析的必要性分析
1.2.2 情绪状态分析的必要性分析
1.3 本书的内容简介
1.4 本书涉及的数据集
1.4.1 在线教学的学生端视频数据
1.4.2 课堂教学的教室监控视频数据
1.4.3 校园卡的刷卡消费和门禁数据
1.5 本书的组织结构
第2章 相关方法和技术基础
2.1 智慧校园数据分析与应用
2.2 用户行为数据表示与分析方法
2.2.1 面部表情识别技术
2.2.2 面部姿态估计技术
2.2.3 动作和手势识别技术
2.2.4 情感识别及其序列分析
2.3 学生心理健康问题识别方法
2.3.1 基于医学诊断的识别方法
2.3.2 基于生理信号的识别方法
2.3.3 基于视觉技术的识别方法
2.3.4 基于社交和网络数据的识别方法
2.3.5 基于行为习惯的评估方法
2.4 学生个体的智能推荐方法
2.5 表情识别模型和方法
2.5.1 表情识别模型及方法的广泛应用
2.5.2 基于区域划分的面部表情识别方法
2.5.3 基于注意力机制的面部表情识别方法
2.6 面部姿态估计模型与方法
2.6.1 基于人脸关键点检测的面部姿态估计方法
2.6.2 基于无须人脸关键点检测的面部姿态估计方法
2.7 3D人脸建模方法与技术
2.7.1 传统的三维人脸重建方法
2.7.2 基于模型的三维人脸重建
2.7.3 端到端的三维人脸建模
2.8 人物交互检测与识别方法
2.8.1 两阶段人物交互检测算法
2.8.2 单阶段人物交互检测算法
2.8.3 端到端的人物交互检测算法
2.9 单目标跟踪方法与技术
2.9.1 基于滤波算法的目标跟踪
2.9.2 基于孪生网络检测的目标跟踪
第3章 轻客户端表情识别模型改进方法研究
3.1 适用于学生端的表情识别模型改进
3.1.1 模型改进方案设计
3.1.2 实验数据集描述与预处理
3.1.3 模型改进实验结果与分析
3.2 基于不同区域特征融合的面部表情识别
3.2.1 注意力机制的改进
3.2.2 基于注意力机制的多尺度特征融合方法
3.2.3 损失函数设计
3.2.4 实验设置与数据集介绍
3.2.5 实验结果定性与定量分析
3.2.6 消融实验分析
3.3 本章小结
第4章 单目视频中面部姿态估计模型改进研究
4.1 面部姿态估计模型改进
4.1.1 网络模型改进方案
4.1.2 基于FPTR网络模型的面部姿态估计
4.1.3 基于坐标转换的面部边界框估计
4.1.4 损失函数设计
4.2 面部姿态识别实验结果与分析
4.2.1 模型训练参数设置
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 消融实验分析
4.3 本章小结
第5章 基于单目视频的学生3D人脸建模
5.1 端到端的人脸建模原理
5.2 基于MTCNN的人脸检测
5.2.1 MTCNN检测模型网络结构
5.2.2 调整因子与Minsize参数
5.2.3 模型损失函数
5.3 基于帧间相似度的关键帧提取
5.3.1 常用的关键帧提取方法
5.3.2 镜头边界的判断
5.3.3 帧间相似性的计算
5.3.4 融合与改进后的算法
5.4 基于图像几何自动编码器的人脸重建
5.4.1 图像几何编码器
5.4.2 图像几何编码器网络架构
5.4.3 图像几何编码器的改进方法
5.4.4 改进模型的实现方法
5.5 实验结果与分析
5.5.1 实验结果定性分析
5.5.2 人脸检测模型改进效果分析
5.5.3 关键帧提取改进效果分析
5.5.4 自动编码器的改进效果分析
5.5.5 Batch Size对训练效率的影响
5.6 本章小结
第6章 单目视频中交互检测与识别研究
6.1 人物交互行为检测模型框架对比
6.1.1 两阶段人物交互检测模型框架
6.1.2 单阶段人物交互检测模型框架
6.1.3 端到端的人物交互检测模块框架
6.2 基于Transformer的人物交互检测框架改进
6.2.1 人物交互检测模型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筛选
6.2.4 基于Transformer的人物交互关系推理
6.2.5 损失函数
6.3 实验分析
6.3.1 数据集及评价指标
6.3.2 训练过程与结果可视化
6.3.3 对比分析实验
6.3.4 消融实验分析
6.4 本章小结
第7章 学生个体特征画像与交互推荐
7.1 交互推荐原则分析
7.2 基于短期向量聚类的学生分类
7.3 基于长期向量聚类的学生推荐
7.4 实验结果分析
7.5 本章小结
第8章 课堂视频中的面部姿态识别与数据分析
8.1 面部姿态识别与数据分析方法
8.2 面部姿态数据获取模型
8.3 学生面部姿态数据获取与预处理
8.3.1 基于连续帧的学生面部与身份匹配
8.3.2 学生面部姿态数据序列构建
8.4 面部姿态数据语义化转换
8.4.1 面部姿态数据的分布情况
8.4.2 面部姿态数据语义化转换
8.5 群体面部姿态的状态随时间变化情况
8.5.1 面部姿态状态静态统计
8.5.2 面部姿态状态静态分析
8.6 群体面部姿态状态切换频率统计
8.6.1 不同时间段的面部姿态状态变化统计
8.6.2 面部姿态状态随时间变化分析
8.7 群体头部位置变化数据分析
8.7.1 头部位置移动幅度评分
8.7.2 学生群体活跃度分析
8.8 本章小结
第9章 课间视频中的学生个体目标跟踪研究
9.1 SiamFC模型和SiamRPN++模型对比
9.1.1 SiamFC模型原理
9.1.2 SiamRPN++模型原理
9.2 基于孪生网络的单目标跟踪模型
9.2.1 单目标跟踪模型SiamRPNer++结构
9.2.2 基于ResNeXt的特征提取网络优化
9.2.3 基于空间注意力的特征增强
9.2.4 损失函数
9.3 实验分析
9.3.1 数据集及评价指标
9.3.2 实验环境设置
9.3.3 定量对比实验分析
9.3.4 定性对比实验分析
9.3.5 消融实验分析
9.4 本章小结
第10章 基于刷卡数据的学生行为特征分析
10.1 刷卡数据的预处理
10.2 刷卡机分布数据统计
10.3 学生刷卡数据群体特征分析
10.3.1 学生充值情况统计
10.3.2 学生对不同食堂的喜好倾向
10.3.3 学生对不同消费窗口的喜好倾向
10.3.4 所有学生平均每餐的消费情况
10.4 学生分类别群体消费倾向分析
10.4.1 不同性别的消费类别倾向分析
10.4.2 不同专业的消费特征分析
10.4.3 不同专业门禁使用特征分析
10.5 刷卡数据的个性化分析
10.5.1 某同学的消费数据占位情况分析
10.5.2 某同学消费习惯的变化情况
10.5.3 某同学消费数据基准间的相似度比较
10.6 本章小结
第11章 总结与展望
11.1 本书的工作总结
11.2 进一步研究与展望
参考文献
同类热销排行榜
推荐书目
-
孩子你慢慢来/人生三书 华人世界率性犀利的一枝笔，龙应台独家授权《孩子你慢慢来》20周年经典新版。她的《...
-
时间简史(插图版) 相对论、黑洞、弯曲空间……这些词给我们的感觉是艰深、晦涩、难以理解而且与我们的...
-
本质(精) 改革开放40年，恰如一部四部曲的年代大戏。技术突变、产品迭代、产业升级、资本对接...