-
公开(公告)号：CN117292421B
公开(公告)日：2024-05-28
申请号：CN202311173058.1
申请日：2023-09-12
Applicant: 南通大学
IPC: G06V40/16 , G06V40/18 , G06V10/77 , G06V10/82 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明属于计算机视觉领域，具体涉及一种基于GRU的连续性视线估计深度学习方法，步骤如下：定义图像特征空间和GRU的隐藏状态空间维度；利用预训练的ResNet‑50模型，对输入的人脸图像进行特征提取并进行特征降维处理；处理图像特征向量，得到模型隐藏状态；将隐藏状态输入到GRU进行时间序列建模，生成输出向量；对输出向量进行特征映射，得到新的特征向量；将新的特征向量映射为三维输出向量；对三维输出向量的前两个元素进行双曲正切变换；对三维输出向量的第三个元素通过sigmoid函数变换；利用PinBall损失函数度量预测结果与真实值之间的误差。本发明中同时使用了ResNet‑50模型和GRU模型，在连续性视线估计任务中具有高准确性和有效性。
-
公开(公告)号：CN117744714A
公开(公告)日：2024-03-22
申请号：CN202311835225.4
申请日：2023-12-28
Applicant: 南通大学
IPC: G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于回调的深度神经网络错误定位方法，分为模型准备、错误检测、统计分析三个步骤。在模型准备阶段，选择合理的DNN模型以满足问题需求。错误检测阶段持续跟踪关键参数，通过回调机制监控训练损失、验证损失、训练准确率和验证准确率等参数。统计分析阶段运用滑动平均、变化率计算、阈值判定和可视化分析等方法，准确定位模型中的错误，提高深度学习模型的诊断精度和全面性。针对DNN模型中的欠拟合和过拟合问题进行错误定位，实现了对深度学习模型训练问题的实时诊断与定位，提高了定位的全面性和精确性，为深度学习模型的错误诊断提供更加全面的支持。
-
公开(公告)号：CN117315536A
公开(公告)日：2023-12-29
申请号：CN202311240937.1
申请日：2023-09-25
Applicant: 南通大学
Abstract: 本发明公开了一种在线学习专注度监测方法及系统，首先构建数据采集模块、特征提取模块，然后计算眼睛纵横比、嘴部纵横比、头部姿态欧拉角、并构建视线估计模型，然后构建注意力检测模块，通过输入在线学习者的视频，获得眼睛纵横比、嘴部纵横比、头部姿态欧拉角、眼睛视线方向，然后应用注意力检测模块，设置注意力检测模块阈值，大于等于阈值判断为注意力分散，小于阈值为注意力集中；本发明仅需要带摄像头的电脑，不需要佩戴其他额外的仪器，就可以判断在线学习者注意力是否集中，学生常用的笔记本电脑即可满足本发明的环境要求，本发明具有开销较小、较为便利、较强的鲁棒性、较好的精准度等优点。
-
公开(公告)号：CN117292421A
公开(公告)日：2023-12-26
申请号：CN202311173058.1
申请日：2023-09-12
Applicant: 南通大学
IPC: G06V40/16 , G06V40/18 , G06V10/77 , G06V10/82 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明属于计算机视觉领域，具体涉及一种基于GRU的连续性视线估计深度学习方法，步骤如下：定义图像特征空间和GRU的隐藏状态空间维度；利用预训练的ResNet‑50模型，对输入的人脸图像进行特征提取并进行特征降维处理；处理图像特征向量，得到模型隐藏状态；将隐藏状态输入到GRU进行时间序列建模，生成输出向量；对输出向量进行特征映射，得到新的特征向量；将新的特征向量映射为三维输出向量；对三维输出向量的前两个元素进行双曲正切变换；对三维输出向量的第三个元素通过sigmoid函数变换；利用PinBall损失函数度量预测结果与真实值之间的误差。本发明中同时使用了ResNet‑50模型和GRU模型，在连续性视线估计任务中具有高准确性和有效性。
-
-
-
Search Results
14
records
(took 0.017 seconds)
