.png){kind=icon}
返回
Behavior capture guided engagement recognition
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2025.111534.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
参与度识别旨在评估个体在各种活动中的投入程度，这在教育、医疗和驾驶等领域至关重要。然而，现有方法往往因过多数据和干扰而导致性能下降。本文介绍了一种新型模型——行为捕捉引导的Transformer（BCTR）。其关键创新之一在于提出的区域特征提取架构。具体而言，BCTR采用三个独立的类别标记来捕捉图像序列中的区域特征——眼部、头部和躯干。这些特征随后用于建模这些区域的动态流，以实现基于视频的参与度识别。BCTR的另一独特创新在于其能够模仿人类教师所使用的观察技术。通过利用帧级和视频级类别标记，该模型使用双分支检测静态和动态的脱节行为。这种方法不仅使BCTR实现了卓越的性能——在DAiSEE数据集上达到64.51%的准确率，在EmotiW-EP数据集上达到0.0602的均方误差损失——还通过识别这些脱节行为增强了参与度水平的可解释性。
Keyword:
Engagement recognition
Behavior capture
Video modeling
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
分享收藏Deep facial spatiotemporal network for engagement prediction in online learning.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏Efficient Biomedical Signal Security Algorithm for Smart Internet of Medical Things (IoMTs) ApplicationsElectronics
OAAI
ElectronicsIF0
OAAI分享收藏Biomedical Multimedia Encryption by Fractional-Order Meixner Polynomials Map and Quaternion Fractional-Order Meixner MomentsIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Automatic Detection of Students' Engagement During Online Learning: A Bagging Ensemble Deep Learning ApproachIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Three-dimensional DenseNet self-attention neural network for automatic detection of student's engagementAPPLIED INTELLIGENCE
OAAI
APPLIED INTELLIGENCEIF3.5
OAAI分享收藏New color image encryption using hybrid optimization algorithm and Krawtchouk fractional transformationsVISUAL COMPUTER
VISUAL COMPUTERIF2.9
PREAI
分享收藏
查看更多内容