基于群体识别的智能监考系统的应用研究
这是一篇关于智能监考,人脸识别,头部姿态估计,考生目标检测的论文, 主要内容为传统的人工监考方式存在着监考流程繁琐、作弊行为取证困难且判断过于主观等问题,伴随着人工智能技术在各个领域的广泛应用,智能监考方法研究日益得到关注。本文针对传统监考中存在的问题,聚焦于考试中异常行为的智能检测,综合运用人脸识别和头部姿态估计等方法,构建了智能监考系统。具体研究内容及成果如下:(1)考生身份自动识别。针对考生签到流程过于依赖人工的问题,基于人脸识别方法进行考生身份自动识别,实现群体环境下的考生身份验证。在公共数据集LFW上的定量实验结果及真实考场中的识别精度表明,该模型能够高效完成考生签到,极大程度避免了替考等舞弊行为。(2)构建头部姿态估计模型CS-WHENet。针对考试过程中考生的偷看行为,分析了真实考场中的遮蔽情况,基于WHENet和CBAM方法构建了CS-WHENet模型,通过融合通道信息与空间信息尽可能充分地提取面部特征,最大程度上提取面部特征辅助进行头部姿态估计,提升了考生偷看行为判别的准确率。(3)提出了考试传递纸条的行为检测方法。融合YOLO-v4和三帧差法实现考生传递纸条行为检测。对考生区域及考生运动连通域进行检测,以考生区域及运动连通域的相对位置作为传递纸条行为的判定依据。在真实考场中的实验结果表明了该方法的准确性和有效性。(4)开发了智能监考的验证系统。综合应用Python、My SQL、Vue、Django等语言工具,调用本文核心算法实现了考生身份验证和异常行为检测等功能。在真实考场中的应用效果表明,智能监考系统能够极大地简化监考流程,辅助监考人员进行监考工作。
基于树莓派和头部姿态估计的注意力监测系统研究与实现
这是一篇关于注意力监测,头部姿态估计,树莓派,ERT算法,EPnP算法的论文, 主要内容为传统线下教学中,学生注意力不集中是影响教学质量的重要因素之一,但对注意力的观测又是一个难点。发展中的计算机视觉技术为解决这一问题提供了更多可能。本文针对计算机实验教学场景,在研究头部姿态估计相关算法的基础上,融合边缘计算思想,基于开源硬件和软件,实现了一个完整的注意力监测系统。系统由采集端、服务端和监测端构成。单个采集端以树莓派作为硬件,基于Python语言开发了图像采集、头部姿态估计、注意力状态判定等核心程序,实现了对学生注意力数据的采集和处理;服务端作为系统的数据汇集和服务中心,既接收和管理来自多个采集端的注意力数据,也通过基于JavaEE的服务器为监测者提供注意力监测服务,采集端和服务端之间基于WiFi,并利用Netty和Protobuf技术实现高效的数据通信;监测端是监测者的访问入口,通过浏览器即可对学生的注意力状态进行可视化的实时监测与视频监控。头部姿态估计作为系统的核心分为两步实现:首先基于ERT算法完成人脸关键点检测,然后在此基础上利用EPnP算法实现位姿求解。同时,针对实际测试中位姿估计平均误差较大的问题,建立了融合卡尔曼滤波的评估与校正模型对算法进行优化和改进,在保证采集端流畅运行的前提下提升了监测的准确度。本文以工程化应用为目标,研究、设计并实现的注意力监测系统,具有结构清晰、部署简便、实时性强、可视化程度高等特点,较好地实现了计算机实验教学场景下对学生注意力的监测需求,对类似系统的研究也具有参考意义。
深度学习注意力机制设计与应用研究
这是一篇关于注意力机制,激活函数,头部姿态估计,深度学习的论文, 主要内容为注意力机制是一种突出特征信息的机制,由于其可以突出特征图中的有用信息并抑制无用信息,能在不改变深度学习网络整体结构的前提下提升网络性能,因而成为近年来深度学习领域的研究热点并得到大量应用。本论文针对现有注意力机制模块以及注意力机制模块所使用激活函数的缺陷与不足展开研究,提出了新的注意力机制模块与激活函数,并将它们应用于头部姿态估计,提出了轻量化头部姿态估计网络。主要研究内容如下:(1)目前大多数注意力机制模块在提高深度学习模型应用精度的同时也带来了模型复杂度增加的缺陷。针对这一问题,本文提出了一种轻量化高精度双通道注意力机制模块(Efficient Dual-channel Attention Mechanism Module,EDCA)。EDCA将特征图分别沿通道、宽度和高度三个方向压缩并重新排列组合,采用一维卷积获取组合后的权重信息,接着将权重信息分割并应用于对应维度以获得特征关注度。本文在图像分类数据集mini Image Net与目标检测数据集VOC2007上对EDCA进行充分实验,实验结果表明,与SENet,CBAM,SGE,ECA-Net,Coordinate Attention相比,EDCA所需的计算量以及参数量更少。(2)目前在深度学习网络中普遍使用的各种激活函数存在梯度消失、不利于网络反向传播和概率分布较差等问题。针对这些问题,本文提出一种新的饱和激活函数SAA(Saturation Attention Activation)。SAA相较于Sigmoid,Tanh,Softsign,Hard Sigmoid等激活函数,具有非中心对称且连续可导特性,使其拥有更大的梯度以及更合理的值域区间。大量实验证明针对图像分类与目标检测两种代表性视觉任务,使用SAA函数替换现有S型激活函数后,能有效提高现有深度学习网络多种注意力机制模块的性能,增加图像分类与目标检测精度。(3)针对现有头部姿态估计方法依赖面部关键点、模型较大不利于实际应用部署和精度较低的问题,本文提出一种基于无面部关键点的双流轻量化头部姿态估计网络Neko Net。Neko Net首先使用双流轻量化主干网络提取头部姿态特征,然后将特征传递至外部注意力机制模块加强对有用特征的关注度,最后使用SSR软阶段回归模块获取头部三个旋转向量的估计值。在头部姿态数据集ALFW2000和BIWI上大量实验结果以及测试可视化结果表明,Neko Net相较于近年来的头部姿态估计网络拥有更低的参数量以及更低的估计误差。
深度学习注意力机制设计与应用研究
这是一篇关于注意力机制,激活函数,头部姿态估计,深度学习的论文, 主要内容为注意力机制是一种突出特征信息的机制,由于其可以突出特征图中的有用信息并抑制无用信息,能在不改变深度学习网络整体结构的前提下提升网络性能,因而成为近年来深度学习领域的研究热点并得到大量应用。本论文针对现有注意力机制模块以及注意力机制模块所使用激活函数的缺陷与不足展开研究,提出了新的注意力机制模块与激活函数,并将它们应用于头部姿态估计,提出了轻量化头部姿态估计网络。主要研究内容如下:(1)目前大多数注意力机制模块在提高深度学习模型应用精度的同时也带来了模型复杂度增加的缺陷。针对这一问题,本文提出了一种轻量化高精度双通道注意力机制模块(Efficient Dual-channel Attention Mechanism Module,EDCA)。EDCA将特征图分别沿通道、宽度和高度三个方向压缩并重新排列组合,采用一维卷积获取组合后的权重信息,接着将权重信息分割并应用于对应维度以获得特征关注度。本文在图像分类数据集mini Image Net与目标检测数据集VOC2007上对EDCA进行充分实验,实验结果表明,与SENet,CBAM,SGE,ECA-Net,Coordinate Attention相比,EDCA所需的计算量以及参数量更少。(2)目前在深度学习网络中普遍使用的各种激活函数存在梯度消失、不利于网络反向传播和概率分布较差等问题。针对这些问题,本文提出一种新的饱和激活函数SAA(Saturation Attention Activation)。SAA相较于Sigmoid,Tanh,Softsign,Hard Sigmoid等激活函数,具有非中心对称且连续可导特性,使其拥有更大的梯度以及更合理的值域区间。大量实验证明针对图像分类与目标检测两种代表性视觉任务,使用SAA函数替换现有S型激活函数后,能有效提高现有深度学习网络多种注意力机制模块的性能,增加图像分类与目标检测精度。(3)针对现有头部姿态估计方法依赖面部关键点、模型较大不利于实际应用部署和精度较低的问题,本文提出一种基于无面部关键点的双流轻量化头部姿态估计网络Neko Net。Neko Net首先使用双流轻量化主干网络提取头部姿态特征,然后将特征传递至外部注意力机制模块加强对有用特征的关注度,最后使用SSR软阶段回归模块获取头部三个旋转向量的估计值。在头部姿态数据集ALFW2000和BIWI上大量实验结果以及测试可视化结果表明,Neko Net相较于近年来的头部姿态估计网络拥有更低的参数量以及更低的估计误差。
深度学习注意力机制设计与应用研究
这是一篇关于注意力机制,激活函数,头部姿态估计,深度学习的论文, 主要内容为注意力机制是一种突出特征信息的机制,由于其可以突出特征图中的有用信息并抑制无用信息,能在不改变深度学习网络整体结构的前提下提升网络性能,因而成为近年来深度学习领域的研究热点并得到大量应用。本论文针对现有注意力机制模块以及注意力机制模块所使用激活函数的缺陷与不足展开研究,提出了新的注意力机制模块与激活函数,并将它们应用于头部姿态估计,提出了轻量化头部姿态估计网络。主要研究内容如下:(1)目前大多数注意力机制模块在提高深度学习模型应用精度的同时也带来了模型复杂度增加的缺陷。针对这一问题,本文提出了一种轻量化高精度双通道注意力机制模块(Efficient Dual-channel Attention Mechanism Module,EDCA)。EDCA将特征图分别沿通道、宽度和高度三个方向压缩并重新排列组合,采用一维卷积获取组合后的权重信息,接着将权重信息分割并应用于对应维度以获得特征关注度。本文在图像分类数据集mini Image Net与目标检测数据集VOC2007上对EDCA进行充分实验,实验结果表明,与SENet,CBAM,SGE,ECA-Net,Coordinate Attention相比,EDCA所需的计算量以及参数量更少。(2)目前在深度学习网络中普遍使用的各种激活函数存在梯度消失、不利于网络反向传播和概率分布较差等问题。针对这些问题,本文提出一种新的饱和激活函数SAA(Saturation Attention Activation)。SAA相较于Sigmoid,Tanh,Softsign,Hard Sigmoid等激活函数,具有非中心对称且连续可导特性,使其拥有更大的梯度以及更合理的值域区间。大量实验证明针对图像分类与目标检测两种代表性视觉任务,使用SAA函数替换现有S型激活函数后,能有效提高现有深度学习网络多种注意力机制模块的性能,增加图像分类与目标检测精度。(3)针对现有头部姿态估计方法依赖面部关键点、模型较大不利于实际应用部署和精度较低的问题,本文提出一种基于无面部关键点的双流轻量化头部姿态估计网络Neko Net。Neko Net首先使用双流轻量化主干网络提取头部姿态特征,然后将特征传递至外部注意力机制模块加强对有用特征的关注度,最后使用SSR软阶段回归模块获取头部三个旋转向量的估计值。在头部姿态数据集ALFW2000和BIWI上大量实验结果以及测试可视化结果表明,Neko Net相较于近年来的头部姿态估计网络拥有更低的参数量以及更低的估计误差。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码码头网 ，原文地址：https://m.bishedaima.com/lunwen/52655.html
