近年來,以人臉識(shí)別、語音識(shí)別和圖像處理等為代表的人工智能技術(shù)為智能化的教育發(fā)展帶來了新的變革,當(dāng)前這些技術(shù)被廣泛應(yīng)用教育領(lǐng)域。對(duì)于學(xué)生來說,課堂是最重要的學(xué)習(xí)場(chǎng)所。在課堂教學(xué)場(chǎng)景下,除了教師自身教學(xué)水平等因素,教師的肢體動(dòng)作也會(huì)對(duì)教學(xué)效果產(chǎn)生影響。因此幫助教師及時(shí)了解其在課堂教學(xué)中使用的肢體動(dòng)作,與教學(xué)內(nèi)容相呼應(yīng),改進(jìn)教學(xué)策略,有助于提升教學(xué)技能,促進(jìn)課堂質(zhì)量的提升。然而,目前的教師肢體動(dòng)作分類體系不完善,傳統(tǒng)的教師肢體教學(xué)識(shí)別與分析依賴人工觀察的方式,效率低下且耗費(fèi)人力資源,如何智能識(shí)別與分析教師課堂中的教師教學(xué)肢體動(dòng)作逐漸成為熱門話題。針對(duì)上述問題,本文基于最新教育理論和新一代人工智能技術(shù),立足于真實(shí)的課堂學(xué)習(xí)環(huán)境,提出將深度學(xué)習(xí)方法應(yīng)用于教師教學(xué)肢體動(dòng)作識(shí)別,以期更好的為教學(xué)提供服務(wù)。本文主要工作如下:第一,在已有的研究基礎(chǔ)上,構(gòu)建中學(xué)課堂教師肢體動(dòng)作分析編碼系統(tǒng)。本文針對(duì)當(dāng)前教師肢體教學(xué)行為編碼表等現(xiàn)有研究?jī)?nèi)容進(jìn)行分析,克服傳統(tǒng)教師肢體動(dòng)作分類模糊的困難,構(gòu)建出了與課堂環(huán)境符合的教師肢體動(dòng)作分析編碼系統(tǒng),將教師肢體動(dòng)作分為講授、板書、指令、巡視指導(dǎo)、學(xué)習(xí)者上臺(tái)演示五種類別。第二...

【文章頁數(shù)】：61 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 肢體語言理論的研究現(xiàn)狀
        1.2.2 肢體動(dòng)作研究現(xiàn)狀
        1.2.3 肢體動(dòng)作識(shí)別的研究現(xiàn)狀
    1.3 研究目標(biāo)與研究方法
        1.3.1 研究目標(biāo)
        1.3.2 研究方法
    1.4 研究意義
        1.4.1 理論意義
        1.4.2 實(shí)踐意義
2 課堂中教師肢體動(dòng)作分析編碼系統(tǒng)的構(gòu)建
    2.1 教學(xué)肢體動(dòng)作相關(guān)理論
        2.1.1 中學(xué)課堂中教師教學(xué)肢體動(dòng)作概念界定
        2.1.2 中學(xué)課堂中教師教學(xué)肢體動(dòng)作識(shí)別的難點(diǎn)問題
    2.2 常用的課堂教學(xué)動(dòng)作編碼系統(tǒng)
        2.2.1 S-T分析法
        2.2.2 弗蘭德斯互動(dòng)分析系統(tǒng)(FIAS)
        2.2.3 基于信息技術(shù)的互動(dòng)分析系統(tǒng)(ITIAS)
    2.3 中學(xué)課堂中教師肢體動(dòng)作編碼系統(tǒng)的構(gòu)建
        2.3.1 中學(xué)課堂教學(xué)中教師肢體動(dòng)作編碼系統(tǒng)建立原則
        2.3.2 中學(xué)課堂教學(xué)中教師肢體動(dòng)作編碼表的建立
        2.3.3 中學(xué)課堂教學(xué)中教師肢體動(dòng)作觀察表及其觀察規(guī)則的建立
3 深度學(xué)習(xí)理論基礎(chǔ)
    3.1 人工智能等相關(guān)概念介紹
        3.1.1 人工智能
        3.1.2 人工神經(jīng)網(wǎng)絡(luò)
        3.1.3 深度學(xué)習(xí)
    3.2 TensorFlow深度學(xué)習(xí)框架與Keras高級(jí)程序接口
        3.2.1 TensorFlow深度學(xué)習(xí)框架
        3.2.2 Keras高級(jí)程序接口
    3.3 卷積神經(jīng)網(wǎng)絡(luò)
        3.3.1 卷積層
        3.3.2 激活函數(shù)(激活層)
        3.3.3 池化層
        3.3.4 全連接層
        3.3.5 VggNet深度學(xué)習(xí)網(wǎng)絡(luò)模型
    3.4 圖像處理與數(shù)據(jù)增強(qiáng)
        3.4.1 圖像清洗與圖像預(yù)處理
        3.4.2 數(shù)據(jù)增強(qiáng)
4 人體動(dòng)作檢測(cè)
    4.1 人體動(dòng)作檢測(cè)相關(guān)概念
        4.1.1 目標(biāo)檢測(cè)
        4.1.2 人體動(dòng)作檢測(cè)
    4.2 人體動(dòng)作檢測(cè)常見算法
        4.2.1 基于注意力機(jī)制的遞歸神經(jīng)網(wǎng)絡(luò)的檢測(cè)算法
        4.2.2 基于視頻序列的人體三維姿態(tài)的人體動(dòng)作檢測(cè)方法
5 基于Vgg16網(wǎng)絡(luò)模型的教師肢體動(dòng)作識(shí)別
    5.1 實(shí)驗(yàn)流程
    5.2 實(shí)驗(yàn)環(huán)境
    5.3 實(shí)驗(yàn)數(shù)據(jù)
        5.3.1 數(shù)據(jù)來源
        5.3.2 數(shù)據(jù)處理
        5.3.3 數(shù)據(jù)增強(qiáng)
    5.4 網(wǎng)絡(luò)訓(xùn)練與圖像分類
        5.4.1 網(wǎng)絡(luò)訓(xùn)練
        5.4.2 教師教學(xué)中的肢體動(dòng)作圖像分類
    5.5 實(shí)驗(yàn)結(jié)果
        5.5.1 人工實(shí)驗(yàn)與統(tǒng)計(jì)
        5.5.2 機(jī)器統(tǒng)計(jì)
    5.6 實(shí)驗(yàn)總結(jié)
6 總結(jié)與展望
    6.1 研究總結(jié)
        6.1.1 研究?jī)?nèi)容總結(jié)
        6.1.2 研究創(chuàng)新
    6.2 不足與期望
        6.2.1 不足之處
        6.2.2 展望
參考文獻(xiàn)
附錄
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文(碩士)
致謝



本文編號(hào)：3866128