Проблемы и возможности применения видеоаналитики в сферах образования и развлечений
DOI:
https://doi.org/10.25726/d6189-0390-2258-xКлючевые слова:
видеоаналитика, эмоции, распознавание, образованиеАннотация
Быстрые изменения и совершенствование технологий произвели революцию в современном мире. Взаимодействие человека и компьютера (HCI) развивалось в течение определенного периода, трансформируя многие аспекты нашей жизни, включая то, как мы учимся. В настоящее время студенты могут извлечь выгоду из быстрого обмена информацией, доступности в Интернете и практической реализации того, что ранее преподавалось только в книгах. Опыт обучения и компетентность зависят от того, насколько хорошо предмет преподается студентам и через какую среду. Книги и текстовые ресурсы со временем зарекомендовали себя как отличный способ доставки и использовались на протяжении веков. Аудио-и видеоматериалы также оказались эффективным способом доставки информации, поскольку они обеспечивают хорошее количество богатого контента за относительно короткий период, что привело к повышению мотивации учащихся в классе и изменению восприятия преподавателей. Однако отсутствие погружения и контроля делает обучение на основе видео менее личным, чем интерактивные классы и моделирование реальной жизни. Видеонаблюдение с помощью видеоаналитики может быть развернуто для мониторинга территорий в определенное время суток. Например, как только школа открывается, не должно быть много активности на парковке или в определенных местах вокруг школы. В таких ситуациях интеллектуальные камеры с видеоаналитикой могут использоваться для обнаружения активности в тех областях, которые представляют интерес, чтобы предупредить службу безопасности школы о том, что что-то может потребовать их внимания. Радиолокационное обнаружение идеально подходит для периметров, где устройство может быть ненавязчиво настроено для оповещения, когда кто-то входит в определенную зону.
Библиографические ссылки
Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J., et al. (2016). “Tensorflow: a system for large-scale machine learning,” in 12th USENIX Symposium on Operating Systems Design and Implementation (Savannah, GA: USENIX Association), 265–283.
Chi, Y. M., Wang, Y.-T., Wang, Y., Maier, C., Jung, T.-P., and Cauwenbe, G. (2012). Dry and noncontact EEG sensors for mobile brain–computer interfaces. IEEE Trans. Neural Syst. Rehabil. Eng. 20, 228–235. doi: 10.1109/TNSRE.2011.2174652
Danelljan, M., Robinson, A., Khan, F. S., and Felsberg, M. (2016). “Beyond correlation filters: learning continuous convolution operators for visual tracking,” in European Conference on Computer Vision, eds B. Leibe, J. Matas, N. Sebe, and M. Welling (Amsterdam: Springer), 472–488. doi: 10.1007/978-3-319-46454-1_29
Domínguez-Jiménez JA, Campo-Landines KC, Martínez-Santos JC, Delahoz EJ, ContrerasOrtiz SH. A machine learning model for emotion recognition from physiological signals. Biomedical Signal Processing and Control. 2020;55:101646.
Fu, Q., Luo, Y., Liu, J., Bi, J., Qiu, S., Cao, Y., et al. (2017). “Improving learning algorithm performance for spiking neural networks,” in 2017 IEEE 17th International Conference on Communication Technology (ICCT) (Chengdu: IEEE), 1916–1919. doi: 10.1109/ICCT.2017.8359963
Gavrilescu, M., (2015) “Recognizing emotions from videos by studying facial expressions, body postures and hand gestures”, 23rdTelecommunication fourm TELFOR, pp. 720-723.
Gu Y, Wang Y, Liu T, Ji Y, Liu Z, Li P, et al. EmoSense: Computational Intelligence Driven Emotion Sensing via Wireless Channel Data. IEEE Transactions on Emerging Topics in Computational Intelligence. 2020;4(3):216–226.
Heike Brock. (2018) “Deep learning - Accelerating Next Generation Performance Analysis Systems” 12th Conference of the International Sports Engineering Association, Brisbane, Queensland, Australia, pp. 26–29.
Hossain MS, Muhammad G. Emotion-Aware Connected Healthcare Big Data Towards 5G. IEEE Internet of Things Journal. 2018;5(4):2399–2406.
Liu, J., Huang, Y., Luo, Y., Harkin, J., and McDaid, L. (2019). Bio-inspired fault detection circuits based on synapse and spiking neuron models. Nerocomputing 331, 473–482. doi: 10.1016/j.neucom.2018.11.078
Munoz MO, Foster R, Hao Y. Exploring Physiological Parameters in Dynamic WBAN Channels. IEEE Transactions on Antennas and Propagation. 2014;62(10):5268–5281.
Niewiadomski Mancini, Varni Volpe, Camurri Automated Laughter detection from full body movements” IEEE Transactions on Human-Machine Systems, 46 (1) (2016), pp. 113-213
Schwartz G, Tee BCK, Mei J, Appleton AL, Kim DH, Wang H, et al. Flexible polymer transistors with high pressure sensitivity for application in electronic skin and health monitoring. Nature communications. 2013;4:1859. pmid:23673644
Shirbhate Neha, Talele Kiran, (2016), “Human Body Language Understanding for Action detection using Geometric Features”, 2ndInternational Conference on Contemporary Computing and Informatics, IEEE, pp.603-607.
Soroush, M. Z., Maghooli, K., Setarehdan, S. K., and Nasrabadi, A. M. (2019). A novel EEGbased approach to classify emotions through phase space dynamics. Signal Image Video Process. 13, 1149–1156. doi: 10.1007/s11760-019-01455-y
Wang X, Le D, Cheng H, Xie C. All-IP wireless sensor networks for real-time patient monitoring. Journal of biomedical informatics. 2014;52:406–417.
Wang, X., Zhang, T., Xu, X., Chen, L., Xing, X., and Chen, C. L. P. (2018). “EEG emotion recognition using dynamical graph convolutional neural networks and broad learning system,” in 2018 IEEE International Conference on Bioinformatics and Biomedicine (BIBM) (Madrid: IEEE), 1240–1244. doi: 10.1109/BIBM.2018.8621147
