Long-term Human Participation Assessment In Collaborative Learning Environments Using Dynamic Scene Analysis

论文开发了数据集和方法，以评估学生在真实的协作学习环境中的参与度。在协作学习环境中，学生被组织成小组，可以在小组内自由交流。因此，学生可以自由移动，导致姿态变化强，移出并重新进入摄像头场景，或面向摄像头的问题。我们将评估学生参与度的问题分为两个子问题：（i）强背景干扰下的学生组检测，（ii）组内动态参与者跟踪。一个巨大的独立测试数据集包含12518250个学生标签实例，总时长为21小时22分钟的真实视频，用于评估我们提出的学生组检测方法的性能。使用多个图像表示的提出方法在所有视频实例上表现相当或优于YOLO。在整个数据集上，提出的方法的F1得分为0.85，而YOLO的得分为0.80。在学生组检测之后，本文提出了一种动态参与者跟踪系统，用于评估学生在长时间视频会话中的组参与度。所提出的动态参与者跟踪系统表现出色，在35个测试视频中只错过了一个学生。相比之下，一种最先进的方法在35个测试视频中有14个无法跟踪学生。所提出的方法在一个独立的长时间真实协作视频集上实现了82.3％的准确率。

开发数据集和方法，评估学生在实际协作学习环境中的参与度。

将问题分为两个子问题：学生组检测和小组内动态参与度跟踪。使用多个图像表示的方法在所有视频实例上表现出与YOLO相同或更好的性能。

使用了一个包含12518250个学生标签实例的大型独立测试数据集进行评估，该数据集总时长为21小时22分钟。开发了一个动态参与度跟踪系统，表现出极好的性能。在一个独立的长实际协作视频集上实现了82.3%的准确率。

近期的相关研究包括：A Survey of Computer Vision for Assistive Medical Diagnosis and Treatment，A Comprehensive Survey of Deep Learning for Image Captioning，A Survey on Deep Learning for Named Entity Recognition。