DMCNet：用于从视频截屏理解参与度的多样化模型组合网络
计算机视觉与模式识别
2022-04-14 v1
摘要
参与度是学习体验质量（QoLE）的本质指标，并在开发智能教育界面中起着重要作用。通过大规模开放在线课程（MOOCs）和其他在线资源学习的人数迅速增长，因为它们为我们提供了随时随地学习的灵活性。这为学生提供了良好的学习体验。然而，此类学习界面需要识别学生参与度水平的能力，以实现整体学习体验。这对学生和教育者都很有用。然而，理解参与度是一项具有挑战性的任务，因为其主观性以及数据收集的能力。本文中，我们提出了一系列在开源视频截屏数据集上训练的模型。我们的非深度学习模型基于流行算法的组合，如方向梯度直方图（HOG）、支持向量机（SVM）、尺度不变特征变换（SIFT）和加速稳健特征（SURF）。深度学习方法包括密集连接卷积网络（DenseNet-121）、残差网络（ResNet-18）和 MobileNetV1。我们使用基尼指数、调整 F 值（AGF）和受试者工作特征曲线下面积（AUC）等多种指标展示各模型的性能。我们采用主成分分析（PCA）和 t 分布随机邻域嵌入（t-SNE）等多种降维技术来理解特征子空间中数据的分布。我们的工作从而将协助教育者和学生获得富有成效且高效的在线学习体验。
引用
@article{arxiv.2204.06454,
title = {DMCNet: Diversified Model Combination Network for Understanding Engagement from Video Screengrabs},
author = {Sarthak Batra and Hewei Wang and Avishek Nag and Philippe Brodeur and Marianne Checkley and Annette Klinkert and Soumyabrata Dev},
journal= {arXiv preprint arXiv:2204.06454},
year = {2022}
}
备注
Published in Systems and Soft Computing, 2022