基于学习对象的内容包装交换模型构建研究

随着现代教育技术的迅猛发展和构建学习型社会需求的不断提高,远程教育为学习者构建了一个适合接受终身教育的学习环境。但是,当前网络学习资源的共享性、可重用性,以及对自适应学习的支持上还尚存众多的问题,这已严重地制约了网络教育快速发展。基于此,该文采用SCORM标准,以学习对象为学习内容组织单位,将学习资源划分为数字资源对象、可共享内容对象和应用数字对象三种组件,对学习资源模型进行封装,为其构建元数据文件、内容清单文件和包交换文件,实现学习内容在不同网络教学系统间的共享和重用,以及可以根据学习者特征、学习需求与学习目的对学习内容和学习路径进行动态调整,从而实现网络自适应学习,提高远程教育的服务质量和学习者的满意度。     

基于内容的对象存储技术的研究

由于目前的内容寻址存储系统在应用时存在很大的问题,提出基于标准HTTP协议开发CAS存储接口,将文件操作映射为URI资源的标签语义,实现基于Web的文件存取和操作;并借助Web服务器和数据库建立功能强大的CAS客户端,基于元数据模型并结合数据库对文件对象进行描述,通过Web界面进行文件对象浏览和搜索,构建具有强大内容导航和搜索能力的对象存储系统.     

学习资源的标准化模型研究

针对我国网络教育的特点,为懈决学习资源共享的问题,结合CELTS的学习对象元数据标准(LOM)和内容包装规范标准(CP),设计了学习资源的标准化模型,并对学习资源标准化的接口进行了设计;最后,采用标准化模型实现的学习资源包,并分析了其描述信息.该标准化模型促进网络教育资源标准化,有利于提高我国网络教育信息基础设施的质量,为网络教育教学系统、教育管理系统以及教学支撑工具的实现,提供了必要的信息基础和技术保障.     

一个基于智能Agent的学习内容物件搜索引擎

随着数字化学习的国际标准SCORM规范被越来越多的组织机构所接受，越来越多的符合SCORM规范的学习内容物件涌现出来，如何在学习者的需求和特定的学习内容物件之间进行匹配将成为越来越重要的问题。文中对SCORM规范及其描述学习素材的LOM标准进行了深入研究，并引入智能代理Agent技术，利用智能Agent技术，对学习内容物件的元数据进行分析，从而获得每个学习内容物件对于学习者需求的满足程度，为解决这个问题作出了有益的尝试。最后，通过一个应用实例给出了该模型的工作原理。     

学习资源的标准化模型研究

针对我国网络教育的特点,为解决学习资源共享的问题,结合CELTS的学习对象元数据标准（LOM）和内容包装规范标准（CP）,设计了学习资源的标准化模型,并对学习资源标准化的接口进行了设计;最后,采用标准化模型实现的学习资源包,并分析了其描述信息。该标准化模型促进网络教育资源标准化,有利于提高我国网络教育信息基础设施的质量,为网络教育教学系统、教育管理系统以及教学支撑工具的实现,提供了必要的信息基础和技术保障。     

利用解释结构模型构建网络学习对象模型

随着网络信息化的发展,网络学习方式以其方便、快捷、资源丰富等特性,越来越受到学习者的青睐。本文利用解释结构模型厚理,构建多层次结构化的网络学习对象模型,便于合理组织网络学习对象,从而对学习者的网络学习行为进行个性化推荐。     

一个基于智能Agent的学习内容物件搜索引擎

随着数字化学习的国际标准SCORM规范被越来越多的组织机构所接受,越来越多的符合SCORM规范的学习内容物件涌现出来,如何在学习者的需求和特定的学习内容物件之间进行匹配将成为越来越重要的问题。文中对SCORM规范及其描述学习素材的LOM标准进行了深入研究,并引入智能代理Agent技术,利用智能Agent技术,对学习内容物件的元数据进行分析,从而获得每个学习内容物件对于学习者需求的满足程度,为解决这个问题作出了有益的尝试。最后,通过一个应用实例给出了该模型的工作原理。     

网络课件编辑制作系统的模型设计与关键技术

探讨了网络课件编辑制作系统的设计方法和体系结构。针对目前网络课件共享性差，且制作过程复杂等问题，提出了基于XML的网络课件的元数据著录模型和内容包装模型，实现了对远程教育标准的支持，解决了资源共享和数据交换的问题；同时采用基于时间线的多轨道的信息组织方式，使视频、音频、幻灯片、讲稿和目录等内容能够一次性同步合成，简化了课件制作过程，提高了制作效率。     

基于对象技术的内容管理数据模型研究与实现

内容管理是一项新兴技术，具有重要的实用价值。首先分析了内容管理技术的发展现状和存在的问题，在此基础上提出了一种基于对象技术的内容管理平台数据模型，最后采用Java语言实现了一个基于此模型的内容管理平台，证明了该模型设计的合理性和先进性。     

基于学习对象的数字化学习资源库的开发

学习对象已成为国际上流行的学习资源组织形式。使用元数据描述的数字化学习资源可方便实现管理和复用,提高资源管理的效率。本研究重点讨论学习对象的概念及其显著特征,以及设计策略,如聚合度和组合问题,最后探讨资源库开发过程中涉及到的几个问题,如技术上的具体实现方式,并给出层次结构模型。     

基于深度学习的短视频中的物体检测与内容推荐系统研究

近年来短视频发展迅猛,短视频广告投放具有良好的市场前景,但是以往长视频的贴片广告投放方式不适合短视频。本文依据高相关、低打扰、短而精的准则,提出一种基于深度学习的视频物体检测与内容推荐系统方案。根据短视频来源、网络环境等不同,本文介绍2种实现模式：云端模式和移动终端模式。云端模式由服务器、内容分发网络（Content Delivery Network, CDN）和终端组成,服务器可预先对CDN短视频进行物体检测和识别,将短视频与对应广告内容匹配,并在移动端播放。移动终端模式主要处理本地视频,在移动端有限的资源上完成短视频的物体检测和内容推荐。在算法上,移动终端模式下该系统采用深度学习轻量级模型MobileNet以提高检测速度和准确率,降低内存。在实现上,通过联合编译Java和C++代码提高算法运行效率,通过反馈系统减小物体类别数量,提高实时性。     

基于增量学习的目标检测研究

目标检测技术已经被广泛应用于行人检测、人脸识别等诸多领域。随着社会生活与工业发展中新需求的出现,目标检测的对象与要求也随之出现新的变化。若直接用旧模型训练新类别可能会导致灾难性遗忘缺陷。因此,增量目标检测逐渐成为一个热门的研究方向。总结了常用的数据集和模型评价指标,研究了增量目标检测技术,将增量目标检测分为基于知识蒸馏的目标检测模型、基于回放的增量目标检测模型、开放世界目标检测模型,指出目前增量目标检测存在新增可识别类别的数据有限、新的可识别类别增加会导致模型准确率降低、小目标检测困难、检测速度慢等问题。通过比较最新增量目标检测模型,提出未来增量目标检测应从优化知识蒸馏方式、加强旧目标类别范例样本选择、更好地结合Transformer网络等几个方面进行改进。     

基于LOM的人工智能教学资源整合与个性化学习导航

学习对象元数据(LOM,Learning Object Metadata)是IEEE采用的一种表示学习对象(教学资源)信息的规范,本文采用LOM规范管理网络教学资源,通过LOM中的"关系"元素表示教学资源之间的依赖关系,构造从LOM到扩展知识结构图的转换接口,从而利用基于扩展知识结构图的教学规划方法为学习者提供个性化学习导航。以人工智能教学资源整合和学习导航为例加以说明。     

基于课程学习思想的目标检测增强算法

目标检测算法性能优劣既依赖于数据集样本分布,又依赖于特征提取网络设计.从这2点出发,首先通过分析COCO 2017数据集各尺度目标属性分布,探索了数据集固有的导致小目标检测准确率偏低的潜在因素,据此提出CP模块,该模块以离线方式调整数据集小目标分布,一方面对包含小目标图片进行上采样,另一方面对图片内小目标进行复制粘贴....     

基于深度学习的小目标检测算法综述

随着人工智能技术的发展,深度学习技术在人脸识别、行人检测、无人驾驶等领域得到了广泛的应用.而目标检测作为机器视觉中最基本、最具有挑战性的问题之一,近年来受到了广泛的关注.针对目标检测特别是小目标检测问题,归纳了常用的数据集和性能评价指标,并对各类常见数据集的特点、优势及检测难度进行对比,系统性地总结了常用的目标检测方法...     

基于深度学习的显著性目标检测综述

随着深度学习的不断发展,基于深度学习的显著性目标检测已经成为计算机视觉领域的一个研究热点.首先对现有的基于深度学习的显著性目标检测算法分别从边界/语义增强、全局/局部结合和辅助网络三个角度进行了分类介绍并给出了显著性图,同时对三种类型方法进行了定性分析比较;然后简单介绍了基于深度学习的显著性目标检测常用的数据集和评估准...     

基于字典学习的粒子滤波鲁棒跟踪算法

字典学习广泛应用于图像去噪、图像分类等领域,但是将离线字典训练如何应用于视频目标跟踪的研究较少。本文采用一种字典编码方法提取目标的局部区域描述符,通过训练分类器将跟踪问题转化为背景和前景二值分类问题,并通过粒子滤波对物体位置进行估计实现跟踪。不同图像序列的实验结果表明,与现有的方法相比本文的算法具有较好的鲁棒性。     

基于深度学习的多目标跟踪关联模型设计

近年来, 深度学习在计算机视觉领域的应用取得了突破性进展, 但基于深度学习的视频多目标跟踪(Multiple object tracking, MOT)研究却相对甚少, 而鲁棒的关联模型设计是基于检测的多目标跟踪方法的核心.本文提出一种基于深度神经网络和度量学习的关联模型:采用行人再识别(Person re-identification, Re-ID)领域中广泛使用的度量学习技术和卷积神经网络(Convolutional neural networks, CNNs)设计目标外观模型, 即利用三元组损失函数设计一个三通道卷积神经网络, 提取更具判别性的外观特征构建目标外观相似度; 再结合运动模型计算轨迹片间的关联概率.在关联策略上, 采用匈牙利算法, 首先以逐帧关联方式得到短小可靠的轨迹片集合, 再通过自适应时间滑动窗机制多级关联, 输出各目标最终轨迹.在2DMOT2015、MOT16公开数据集上的实验结果证明了所提方法的有效性, 与当前一些主流算法相比较, 本文方法取得了相当或者领先的跟踪效果.