基于DenseCap网络的学习者行为图像多区域描述方法技术

一种基于DenseCap网络的学习者行为图像多区域描述方法，包括制作学习者行为图像多区域描述数据集；数据集预处理；在Torch7框架下构建基于DenseCap网络作为对学习者行为图像进行特征提取与预测框及对应描述语句生成的模型；使用训练集训练DenseCap网络；利用训练好的DenseCap网络处理测试集中的图像。本发明专利技术具有检测区域准确、描述结果更加准确、详细等优点，旨在解决学习场景下学习者行为的自动描述问题，为后序学习者个性化特征的定量分析和检索提供有力支撑。

Multi-region Description Method of Learner Behavior Image Based on DenseCap Network

【技术实现步骤摘要】
基于DenseCap网络的学习者行为图像多区域描述方法
本专利技术属于教育科学、计算机视觉和自然语言处理的交叉研究
，具体地涉及到学习场景中学习者行为分析、对学习者相关区域建议和相应的区域描述生成。准确获取学习者特征是实现以学习者为中心的精准化、个性化和智能化教育的重要前提。现有学习者特征来源有调查表法、学习者模型法和web日志法三类。调查表法需要每个学习者都事先填写调查表，效果受调查表设计的合理性和表格真实度的双重影响；学习者模型法需要事先根据每个学习者的特征，人工方式建立每个学习者模型，只适用于小样本学习者；web日志法依据学习者网上课程学习过程中操作序列记录分析行为特点，只适用于在线网络课堂场景。因此这些特征无法准确表征教室、实验室等主流学习场景下大样本学习者行为。得益于网络与通讯技术、计算机软硬件与存储能力的不断发展，以各类视频监控系统为代表的现代化教育设施迅速普及，各类学习场景中产生了海量的与学习者行为、活动及状态有关的原始数据。这使得准确捕获学习者的个性化特征和综合分析不同学习者的共性特征，进而提供有针对性的评估、引导与干预。但是，现有行为识别的数据基准多是服务本文档来自技高网...

【技术保护点】
1.一种基于迭代贝叶斯的合成孔径雷达影像变化检测方法，其特征在于由下述步骤组成：(1)用对数比操作对同一地区不同时刻的合成孔径雷达影像图I1和I2构造对数比值差异图D，作为先验概率p(s)；(2)通过主成分分析和最小描述长度规则提取差异图D的K维特征，K为正整数；(3)通过最小误差阈值法对先验概率p(s)进行二值化处理，得到估计的目标点集ST和背景点集BT，修改差异图D每维特征的重要性权重系数ωi，根据已获得的估计的目标点集ST和背景点集BT以及每维特征的重要性权重系数ωi，得到目标似然函数p(x|s)和背景似然函数p(y|b)：

【技术特征摘要】
1.一种基于迭代贝叶斯的合成孔径雷达影像变化检测方法，其特征在于由下述步骤组成：(1)用对数比操作对同一地区不同时刻的合成孔径雷达影像图I1和I2构造对数比值差异图D，作为先验概率p(s)；(2)通过主成分分析和最小描述长度规则提取差异图D的K维特征，K为正整数；(3)通过最小误差阈值法对先验概率p(s)进行二值化处理，得到估计的目标点集ST和背景点集BT，修改差异图D每维特征的重要性权重系数ωi，根据已获得的估计的目标点集ST和背景点集BT以及每维特征的重要性权重系数ωi，得到目标似然函数p(x|s)和背景似然函数p(y|b)：式中，p(xi|ST)是第i维特征下目标点集ST的分布函数，xi是目标点集中含有第i维特征的像素，p(yi|BT)是第i维特征下背景点集BT的分布函数，yi是背景点集中含有第i维特征的像素；(4)根据先验概率p(s)和目标似然函数p(x|s)及背景似然函数p(y|b)，通过贝叶斯公式整合全局的先验信息和多维的局部特征，得到后验概率p(s|x)为：(5)根据后验概率得到灰度图，通过最大类间方差法确定分割图像的阈值，将灰度图变为包含变化和非...

【专利技术属性】
技术研发人员：马苗，高子昂，吴琦，陶丽丽，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：陕西,61