Core Concepts
本論文は、実際の協調学習環境における学生の参加度を評価するためのデータセットと手法を開発する。学生グループの検出、学生の顔認識、動的参加者追跡の3つのサブタスクを統合した手法を提案し、長期にわたる実際の協調学習ビデオに対して高い精度を達成する。
Abstract
本論文は、実際の協調学習環境における学生の参加度評価のための手法を提案している。
まず、学生グループの検出では、YOLOによる顔検出と、AM-FM特徴量を用いた背面検出を組み合わせることで、高精度な検出を実現している。
次に、学生の顔認識では、InsightFaceシステムを用いて、様々な角度からの顔画像に対応できるようにしている。
最後に、動的参加者追跡では、学生の状態(内部、外部、部分的な外部、遮蔽、未知)を管理する有限状態機械を提案し、長期にわたる参加度の評価を可能にしている。
提案手法は、長期の実際の協調学習ビデオに対して高い精度を示しており、参加度マップを用いた可視化も行っている。
Stats
学生グループ検出の精度はF1スコアで0.85を達成し、YOLOの0.80を上回った。
動的参加者追跡では、35本の短期テストビデオのうち、提案手法は1本のみ失敗したのに対し、SORT_OHは14本で失敗した。
長期ビデオ(23分45秒)に対する参加度評価の精度は82.3%であり、追跡なしの61.9%から大幅に向上した。
Quotes
"本論文は、実際の協調学習環境における学生の参加度を評価するためのデータセットと手法を開発する。"
"提案手法は、長期の実際の協調学習ビデオに対して高い精度を示しており、参加度マップを用いた可視化も行っている。"