文章将英国牛津AQA(Assessment and Qualifications Alliance,资格评估与认证联合会)版和我国人教版高中人文地理教材进行对比,发现两版教材图像密度相差无几,均以景观图为主,注重同类型图像组合和图文搭配。前者图像名称繁杂冗长,数量...文章将英国牛津AQA(Assessment and Qualifications Alliance,资格评估与认证联合会)版和我国人教版高中人文地理教材进行对比,发现两版教材图像密度相差无几,均以景观图为主,注重同类型图像组合和图文搭配。前者图像名称繁杂冗长,数量较多,相对注重统计图,侧重地图组合,注重借图设问和通过图文搭配探究策略性知识,所承载知识具有丰富性、空间尺度性及国际化特征;后者图像名称简明扼要,数量较少,相对注重示意图,侧重景观图组合,注重借图释文,通过图文搭配探究原理性知识,所承载知识具有精练性、时间尺度性及本土化特征。这启示我国高中人文地理教材应增加统计图,强化图像的量化表达功能;适当借图设问,发挥图像的活动辅助作用;组合利用不同空间尺度图像,提升图像的空间转化价值;增添外国地理图像,增强图像的区域认知效能。展开更多
目的视频动作质量评估旨在评估视频中特定动作的执行情况和完成质量。自动化的动作质量评估能够有效地减少人力资源的损耗,可以更加精准、公正地对视频内容进行评估。传统动作质量评估方法主要存在以下问题:(1)视频中动作主体的多尺度...目的视频动作质量评估旨在评估视频中特定动作的执行情况和完成质量。自动化的动作质量评估能够有效地减少人力资源的损耗,可以更加精准、公正地对视频内容进行评估。传统动作质量评估方法主要存在以下问题:(1)视频中动作主体的多尺度时空特征问题;(2)认知差异导致的标记内在模糊性问题;(3)多头自注意力机制的注意力头冗余问题。针对以上问题,提出了一种能够感知视频序列中不同时空位置、生成细粒度标记的动作质量评估模型SALDL(self-attention and label distribution learning)。方法SALDL提出Attention-Inc(attention-inception)结构,该结构通过Embedding、多头自注意力以及多层感知机将自注意力机制渐进式融入Inception结构,使模型能够获得不同尺度卷积特征之间的上下文信息。提出一种正负时间注意力模块PNTA(pos-neg temporal attention),通过PNTA损失挖掘时间注意力特征,从而减少自注意力头冗余并提取不同片段的注意力特征。SALDL模型通过标记增强及标记分布学习生成细粒度的动作质量标记。结果提出的SALDL模型在MTL-AQA(multitask learning-action quality assessment)和JIGSAWS(JHU-ISI gesture and skill assessment working set)等数据集上进行了大量对比及消融实验,斯皮尔曼等级相关系数分别为0.9416和0.8183。结论SALDL模型通过充分挖掘不同尺度的时空特征解决了多尺度时空特征问题,并引入符合标记分布的先验知识进行标记增强,达到了解决标记的内在模糊性问题以及注意力头的冗余问题。展开更多
文摘文章将英国牛津AQA(Assessment and Qualifications Alliance,资格评估与认证联合会)版和我国人教版高中人文地理教材进行对比,发现两版教材图像密度相差无几,均以景观图为主,注重同类型图像组合和图文搭配。前者图像名称繁杂冗长,数量较多,相对注重统计图,侧重地图组合,注重借图设问和通过图文搭配探究策略性知识,所承载知识具有丰富性、空间尺度性及国际化特征;后者图像名称简明扼要,数量较少,相对注重示意图,侧重景观图组合,注重借图释文,通过图文搭配探究原理性知识,所承载知识具有精练性、时间尺度性及本土化特征。这启示我国高中人文地理教材应增加统计图,强化图像的量化表达功能;适当借图设问,发挥图像的活动辅助作用;组合利用不同空间尺度图像,提升图像的空间转化价值;增添外国地理图像,增强图像的区域认知效能。
文摘目的视频动作质量评估旨在评估视频中特定动作的执行情况和完成质量。自动化的动作质量评估能够有效地减少人力资源的损耗,可以更加精准、公正地对视频内容进行评估。传统动作质量评估方法主要存在以下问题:(1)视频中动作主体的多尺度时空特征问题;(2)认知差异导致的标记内在模糊性问题;(3)多头自注意力机制的注意力头冗余问题。针对以上问题,提出了一种能够感知视频序列中不同时空位置、生成细粒度标记的动作质量评估模型SALDL(self-attention and label distribution learning)。方法SALDL提出Attention-Inc(attention-inception)结构,该结构通过Embedding、多头自注意力以及多层感知机将自注意力机制渐进式融入Inception结构,使模型能够获得不同尺度卷积特征之间的上下文信息。提出一种正负时间注意力模块PNTA(pos-neg temporal attention),通过PNTA损失挖掘时间注意力特征,从而减少自注意力头冗余并提取不同片段的注意力特征。SALDL模型通过标记增强及标记分布学习生成细粒度的动作质量标记。结果提出的SALDL模型在MTL-AQA(multitask learning-action quality assessment)和JIGSAWS(JHU-ISI gesture and skill assessment working set)等数据集上进行了大量对比及消融实验,斯皮尔曼等级相关系数分别为0.9416和0.8183。结论SALDL模型通过充分挖掘不同尺度的时空特征解决了多尺度时空特征问题,并引入符合标记分布的先验知识进行标记增强,达到了解决标记的内在模糊性问题以及注意力头的冗余问题。
