Key points are not available for this paper at this time.
교실 커뮤니케이션은 교사의 행동과 학생의 반응을 포함합니다. 학생의 얼굴 표정 분석에 대한 광범위한 연구가 이루어졌지만, 교사의 얼굴 표정의 영향은 아직 탐구되지 않은 연구 영역입니다. 얼굴 표정 인식은 교실 환경에서 교사의 감정 영향을 예측할 수 있는 가능성을 가지고 있습니다. 강의 전달 중 강사 행동에 대한 지능적인 평가는 학습 환경을 향상시킬 뿐만 아니라 수동 평가 전략에 사용되는 시간과 자원을 절약할 수 있습니다. 수동 평가 문제를 해결하기 위해 우리는 피드포워드 학습 모델을 이용한 교실 내 강사의 얼굴 표정 인식 접근 방식을 제안합니다. 먼저, 획득한 강의 비디오에서 얼굴을 탐지하고 효과적인 고수준 특징 추출을 위해 모든 중복 프레임을 버리고 주요 프레임을 선택합니다. 그런 다음, 다수의 합성곱 신경망을 사용하여 깊은 특징을 추출하고, 이를 분류기로 전달하기 위해 파라미터 조정을 수행합니다. 알고리즘의 빠른 학습 및 좋은 일반화를 위해 정규화된 극한 학습 기계(RELM) 분류기를 사용하여 교실 내에서 강사의 다섯 가지 서로 다른 표정을 분류합니다. 실험은 새로운 강사의 얼굴 표정 데이터셋과 세 가지 기준 얼굴 데이터셋인 Cohn-Kanade, 일본 여성 얼굴 표정(JAFFE) 데이터셋, 얼굴 표정 인식 2013(FER2013) 데이터셋에서 수행됩니다. 또한, 제안된 방법은 최첨단 기술, 전통적인 분류기 및 합성곱 신경 모델과 비교됩니다. 실험 결과는 정확성, F1 점수 및 재현율과 같은 파라미터에서 유의미한 성능 향상을 나타냅니다.
Bhatti et al. (Fri,)는 이 문제를 연구했습니다.