基于時空注意力機(jī)制的在線教育專注度檢測

梁 艷，周卓沂，黃偉聰，郭梓健

（華南師范大學(xué) 軟件學(xué)院，廣東 廣州 510006）

0 引言

近年來，隨著互聯(lián)網(wǎng)的快速發(fā)展，在線教育發(fā)展迅速，越來越多的學(xué)校以及培訓(xùn)機(jī)構(gòu)在傳統(tǒng)線下教學(xué)模式基礎(chǔ)上加入在線教育這一新的教學(xué)模式。線上學(xué)習(xí)雖然方便，但學(xué)生的學(xué)習(xí)效果往往并不理想，究其原因是線上授課老師難以及時獲悉學(xué)習(xí)者的學(xué)習(xí)狀態(tài)并及時進(jìn)行教學(xué)調(diào)整，學(xué)習(xí)者也容易因此降低學(xué)習(xí)專注程度，從而影響學(xué)習(xí)效率。長此以往，學(xué)習(xí)者也會因為學(xué)習(xí)效率不高、專注度低下而產(chǎn)生一定的厭學(xué)情緒，導(dǎo)致消極學(xué)習(xí)甚至輟學(xué)的情況發(fā)生。調(diào)查數(shù)據(jù)表明，大規(guī)模在線教育平臺MOOC 的使用者輟學(xué)率高達(dá)80%～95%［1］。因此，設(shè)計一種自動的專注度檢測方法對在線教育行業(yè)具有重要意義，有助于提升學(xué)習(xí)者的學(xué)習(xí)效率，輔助教師更好地完成教書育人工作，從而更好地助力在線教育的高質(zhì)量發(fā)展。

考慮到利用腦電信號、心率等生理信號進(jìn)行專注度檢測需要使用穿戴式設(shè)備，影響學(xué)習(xí)者的學(xué)習(xí)狀態(tài)，所以本文采用更為合理的計算機(jī)視覺技術(shù)實現(xiàn)非接觸式檢測。此外，考慮到人臉表情與專注程度具有密切聯(lián)系，因此利用人臉特征設(shè)計一種基于時空注意力機(jī)制的方法完成在線教育場景下的專注度檢測任務(wù)。

1 相關(guān)工作

早期基于計算機(jī)視覺的專注度檢測研究主要采用傳統(tǒng)機(jī)器學(xué)習(xí)方法。例如，Chun 等［2］利用Haar-like 特征檢測和AdaBoost 算法學(xué)習(xí)面部特征，運用光流技術(shù)和模板匹配方法對面部特征進(jìn)行跟蹤；段巨力［3］根據(jù)目標(biāo)人臉兩眼與鼻子的位置構(gòu)造一個三角形，然后利用這個三角形進(jìn)行幾何運算，計算出學(xué)習(xí)者的側(cè)臉程度、低（抬）頭、眼睛張合度并進(jìn)行專注度判斷；鐘馬馳等［4］選取眼睛、嘴巴等關(guān)鍵部位進(jìn)行判斷，得到頭部姿態(tài)、疲勞程度等評估因素，并通過層次分析法確定這幾個因素對應(yīng)的權(quán)重，最后統(tǒng)計分析得到一個量化的專注度分?jǐn)?shù)；Thomas 等［5］以通過OpenFace工具包獲取得到的目標(biāo)人臉的動作單元（Action Unit，AU）、頭部姿態(tài)和眼睛注視方向作為特征，以將徑向基函數(shù)（Radial Basis Function，RBF）作為核函數(shù)的支持向量機(jī)（Support Vector Machine，SVM）作為分類器，判斷目標(biāo)對象的專注情況。傳統(tǒng)機(jī)器學(xué)習(xí)方法需要手工提取特征，部分區(qū)域變化不明顯會導(dǎo)致特征冗余情況發(fā)生，并且大多方法均運用在特定約束條件下，魯棒性和泛化性較差。

隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，越來越多的專家學(xué)者將深度學(xué)習(xí)方法運用于專注度檢測工作中?？紤]到表情與專注度的相關(guān)性，Nezami 等［6］提出將表情識別任務(wù)模型遷移到專注度檢測中，在自采數(shù)據(jù)集中獲得72.38%的識別精度，但該模型沒有在公開數(shù)據(jù)集上進(jìn)行驗證，實驗結(jié)果缺乏說服力；沈利迪［7］重新設(shè)置卷積層與全連接層的數(shù)量，構(gòu)造一個結(jié)構(gòu)類似于AlexNet 的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）模型，用以提升專注度識別的速率和精度；Tang 等［8］則直接將全連接層從整個CNN 網(wǎng)絡(luò)中移除，達(dá)到快速識別的效果；孫紹涵等［9］利用改進(jìn)后的YOLOv4網(wǎng)絡(luò)識別學(xué)生課堂行為狀態(tài)。

上述基于深度學(xué)習(xí)的方法主要針對單個圖像幀進(jìn)行特征提取。然而，一段視頻前后連續(xù)的圖像幀之間往往是存在一定聯(lián)系的，因此近年來越來越多的學(xué)者研究如何對時序信息進(jìn)行建模。例如，章文松［10］利用多尺度特征提取模型MS-ResNet-50 提取每幀的特征向量，并利用基于自注意力機(jī)制的分類模塊提取時域特征，完成專注度檢測工作；Werlang 等［11］利用C3D 網(wǎng)絡(luò)在視頻數(shù)據(jù)上進(jìn)行訓(xùn)練，并完成二分類任務(wù)，但輸出結(jié)果只包含專注、不專注2 種情況，不能細(xì)粒度地表現(xiàn)學(xué)習(xí)者的學(xué)習(xí)狀態(tài)；Liao 等［12］提出深度時空網(wǎng)絡(luò)（Deep Facial Spatio-Temporal Network，DFSTN）用于提取人臉序列的時空信息，該網(wǎng)絡(luò)在DAiSEE［13］數(shù)據(jù)集的四分類任務(wù)中獲得58.84%的準(zhǔn)確率；陸玉波等［14］采用SE-ResNet-50［15］以及OpenFace 分別提取面部特征和行為特征，并利用時序卷積網(wǎng)絡(luò)（Temporal Convolutional Network，TCN）［16］處理時序信息，在DAiSEE 數(shù)據(jù)集上的四分類準(zhǔn)確率為61.4%。

現(xiàn)有方法在很大程度上促進(jìn)了在線教育環(huán)境下專注度檢測的研究，但部分網(wǎng)絡(luò)模型在訓(xùn)練時并沒有很好地提取到對分類任務(wù)更為重要的特征，并且大部分深度學(xué)習(xí)方法采用較深的網(wǎng)絡(luò)結(jié)構(gòu)，不利于在實際應(yīng)用中推廣。針對上述問題，本文采用輕量的ResNet18［17］作為主干網(wǎng)絡(luò)提取空間特征，并在網(wǎng)絡(luò)中加入空間注意力（Shuffle Attention，SA）［18］機(jī)制強(qiáng)化對該任務(wù)更為重要的人臉區(qū)域特征，同時利用帶有時序注意力（Global Attention，GA）［19］的長短記憶周期網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）完成時序特征的提取，最后利用Softmax 函數(shù)對所得到的特征信息進(jìn)行決策，得到最終的預(yù)測結(jié)果。

2 算法設(shè)計

本文方法的整體結(jié)構(gòu)如圖1 所示。首先對輸入的序列幀進(jìn)行數(shù)據(jù)預(yù)處理，獲取每幀的人臉區(qū)域，然后分別利用ResNet18 和LSTM 網(wǎng)絡(luò)提取空間特征和時序特征；同時在2 個特征提取模塊中嵌入相關(guān)的注意力機(jī)制，輔助2 個模塊更好地完成特征提取任務(wù)；隨后利用兩層全連接層將特征向量映射到4 種專注度類別，最終實現(xiàn)專注度的分類。

Fig.1 General structure of the proposed method圖1 本文方法的整體結(jié)構(gòu)

2.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理過程如圖2 所示。首先利用OpenCV 對學(xué)習(xí)者視頻進(jìn)行幀提取，獲得多張連續(xù)的圖像幀。這些連續(xù)的圖像幀一般含有較多背景信息，不僅會增加網(wǎng)絡(luò)的計算量，而且容易影響網(wǎng)絡(luò)對人臉特征的提取，所以選用多任務(wù)卷積網(wǎng)絡(luò)（Multi-task Convolutional Neural Network，MTCNN）［20］對每幀圖像進(jìn)行人臉檢測，從原始圖像幀中獲取只含人臉部分的區(qū)域。MTCNN 由3 個級聯(lián)的輕量級CNN PNet、RNet 和Onet 構(gòu)成，其中Pnet 對圖像金字塔完成特征的初步提取以及確定候選邊框，Rnet 篩選經(jīng)過Pnet 得到的候選邊框，Onet 在繼續(xù)篩選候選框的同時完成人臉關(guān)鍵點的定位。利用MTCNN 網(wǎng)絡(luò)可獲得大小為3×224×224的人臉圖像。

Fig.2 Data preprocessing flow圖2 數(shù)據(jù)預(yù)處理流程

為了增加樣本數(shù)量和多樣性，使用RandAugment 方法［21］對訓(xùn)練數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)。該方法將最為通用的K（這里為14）種數(shù)據(jù)增強(qiáng)方法列舉出來，并結(jié)合模型與數(shù)據(jù)集的規(guī)模，隨機(jī)從這K 種數(shù)據(jù)增強(qiáng)操作中選用N 種進(jìn)行組合，共有KN種組合方式完成對輸入數(shù)據(jù)的增強(qiáng)處理。每種增強(qiáng)方式包含一個增強(qiáng)變形程度參數(shù)M，即在KN種組合方式情況下每種增強(qiáng)程度為M。通過RandAugment 數(shù)據(jù)增強(qiáng)，在不改變圖像大小的同時隨機(jī)在部分像素點位置上進(jìn)行數(shù)值變化以增加數(shù)據(jù)樣本的多樣性，大大提高了網(wǎng)絡(luò)模型的泛化能力。

2.2 空間特征提取模塊

空間特征提取模塊采用融合SA 機(jī)制的ResNet18 網(wǎng)絡(luò)，具體層次結(jié)構(gòu)如圖3 所示（此處未標(biāo)出殘差箭頭，殘差連接可參考文獻(xiàn)［17］）。ResNet18 是殘差網(wǎng)絡(luò)（Residual Network，ResNet）系列網(wǎng)絡(luò)中最為輕量級的CNN 主干網(wǎng)絡(luò)，主要由4 個卷積層構(gòu)成，每個卷積層又包含2 個卷積塊。輸入的特征圖在每個卷積塊中分別進(jìn)行卷積處理、歸一化處理以及激活函數(shù)的非線性映射處理，其中卷積處理選用的卷積核大小為3×3，步長分別為2 和1，零填充為1。輸出特征的尺寸o可根據(jù)如式（1）所示：

Fig.3 Structure of spatial feature extraction module圖3 空間特征提取模塊結(jié)構(gòu)

式中：i為輸入特征的尺寸，p為零填充，k為卷積核大小，s為卷積步長。

考慮到ResNet 中所有卷積塊對于輸入特征圖的每一個像素點均進(jìn)行相同的卷積運算，而在實際情況下特征圖的不同區(qū)域?qū)τ谌蝿?wù)決策的重要性是不同的，因此在每個卷積塊的歸一化處理后加入SA 進(jìn)行優(yōu)化，以提升ResNet18 在空間維度的特征提取能力，區(qū)分出不同特征區(qū)域?qū)θ蝿?wù)的重要程度。

SA 機(jī)制采用雙分支并行的結(jié)構(gòu)，一條分支處理通道維度上的特征依賴，另一條分支處理空間維度上的特征依賴，其具體結(jié)構(gòu)可參見文獻(xiàn)［18］。經(jīng)過融合Shuffle Attention 機(jī)制的ResNet18 網(wǎng)絡(luò)后，原始輸入序列數(shù)據(jù)由B×T×3×224×224（B為BatchSize，批量大??；T為Time，序列幀數(shù)量）變?yōu)锽×T×512的特征向量。

2.3 時序特征提取模塊

時序特征提取模塊由加入GA 機(jī)制的LSTM 網(wǎng)絡(luò)構(gòu)成，具體結(jié)構(gòu)如圖4 所示。將空間特征提取模塊輸出的特征向量（即上述B×T×512 的特征向量）輸送至LSTM 網(wǎng)絡(luò)中進(jìn)行時序特征提取，并在LSTM 后面加入一個GA 來對特征向量間全局時序信息進(jìn)行建模。

Fig.4 Time series feature extraction model圖4 時序特征提取模型

傳統(tǒng)的LSTM 由遺忘門、記憶門、輸出門構(gòu)成，并在輸出門位置輸出所有隱藏狀態(tài)。利用LSTM 對時序信息建模的操作為取輸出中的最后一個隱藏狀態(tài)進(jìn)行預(yù)測判斷，但在部分情況下序列幀中可能存在一些不利于任務(wù)決策的干擾幀，如果僅根據(jù)最后一個隱藏狀態(tài)進(jìn)行判斷，得到的結(jié)果可能并不準(zhǔn)確。針對該問題，在輸出的所有隱藏狀態(tài)中將最后一個隱藏狀態(tài)hs與所有隱藏狀態(tài)ht一起輸入到一個自定義Score 函數(shù)中進(jìn)行計算。Score 函數(shù)通過一個可以訓(xùn)練的矩陣Ws輔助分析hs與所有隱藏狀態(tài)ht之間的相關(guān)性，弱化干擾幀對時序信息建模的影響，使得LSTM 對輸入特征向量的處理更具有全局性。Score 函數(shù)的定義如式（2）所示：

通過softmax 函數(shù)對Score 函數(shù)得到的所有輸出進(jìn)行歸一化，獲得每一個隱藏狀態(tài)對應(yīng)的重要權(quán)重系數(shù)αt，計算過程如式（3）所示：

式中：n表示隱藏狀態(tài)的序號。

將歸一化后的所有重要權(quán)重系數(shù)與其對應(yīng)的隱藏狀態(tài)進(jìn)行加權(quán)求和，得到最終的狀態(tài)hf作為優(yōu)化后的LSTM輸出。hf特征向量大小為B×256，其計算公式如式（4）所示：

3 實驗結(jié)果與分析

3.1 實驗環(huán)境及參數(shù)設(shè)置

本實驗在Linux 系統(tǒng)下的PyTorch 1.7.1 版本框架中進(jìn)行，顯卡為24G 顯存大小的GeForce RTX 3090。實驗的損失函數(shù)選用交叉熵?fù)p失函數(shù)，學(xué)習(xí)率大小設(shè)定為0.001，批量大小設(shè)為32，選用16 張連續(xù)的時序幀代表每一個樣本視頻。

3.2 實驗數(shù)據(jù)集

選用公開的在線教育情感數(shù)據(jù)集DAiSEE［13］以及自采的在線學(xué)習(xí)視頻數(shù)據(jù)集（Online Learning Video，OLV）作為實驗數(shù)據(jù)集。

DAiSEE 是目前專注度檢測領(lǐng)域最大的公開數(shù)據(jù)集，一共包含9 068 個時長為10s 的印度學(xué)生在線學(xué)習(xí)時采集的視頻樣本。在該數(shù)據(jù)集中參與視頻錄制的人數(shù)總共為112 人，其中女性為32 人，男性為80 人，錄制環(huán)境分別為宿舍、教室以及圖書館等室內(nèi)場景。根據(jù)參與錄制人員的學(xué)習(xí)專注程度，該數(shù)據(jù)集將專注度劃分為非常不專注、不專注、專注以及非常專注4 個等級。在數(shù)據(jù)集的9 068 個視頻中有8 925 個視頻具有標(biāo)簽。經(jīng)過人臉檢測處理后，保留8 832 個具有標(biāo)簽的視頻樣本，為了進(jìn)一步擴(kuò)充數(shù)據(jù)，選擇不同起始幀，按相同間隔對單個視頻樣本進(jìn)行重采樣，最終獲得44 160 個由16 張圖像幀構(gòu)成的視頻樣本用于實驗。

為了驗證所提出網(wǎng)絡(luò)模型的泛化性，利用手機(jī)錄制17名20～25 歲在校大學(xué)生（男性11 人，女性6 人）在線學(xué)習(xí)時的視頻。每個學(xué)生錄制4 個視頻，每個視頻時長10s。視頻錄制中的刺激材料選自中國慕課大學(xué)中的在線課程，錄制時手機(jī)的相機(jī)參數(shù)設(shè)置為1 920×1 080 像素，幀率為30幀/s。為了使自采數(shù)據(jù)集更具普遍性與科學(xué)性，采樣環(huán)境選擇學(xué)生宿舍、實驗室等多種場景。自采數(shù)據(jù)集的專注度劃分等級與DAiSEE 一致。按照DAiSEE 數(shù)據(jù)集的處理方式對自采數(shù)據(jù)集進(jìn)行人臉檢測篩選和重采樣，最終獲得670個由16張圖像幀構(gòu)成的視頻樣本。

3.3 實驗評價指標(biāo)

考慮到Gupta 等［13］在公開DAiSEE 數(shù)據(jù)集中選擇了Top-1 準(zhǔn)確率作為分類模型的評價指標(biāo)，為了公平比較，本文采用相同的評價指標(biāo)。Top-1 準(zhǔn)確率是指在預(yù)測結(jié)果中選擇概率值最大那個類別作為模型的預(yù)測值，并將該預(yù)測值與真實類別進(jìn)行校驗，如果兩者相同，則預(yù)測正確，否則判定為預(yù)測失敗，具體計算公式如式（5）所示：

式中：TP表示真正例，F(xiàn)P表示假正例。

3.4 消融實驗

為了驗證采用的空間注意力機(jī)制與時間注意力機(jī)制的有效性，本文在DAiSEE 數(shù)據(jù)集中進(jìn)行消融實驗，結(jié)果如表1 所示。從表中數(shù)據(jù)可知，當(dāng)主干網(wǎng)絡(luò)不加入任何注意力機(jī)制時，模型的準(zhǔn)確率只有55.67%。在這基礎(chǔ)上加入時序注意力機(jī)制GA 可以幫助網(wǎng)絡(luò)更好地利用視頻數(shù)據(jù)的時序信息進(jìn)行建模，最終將模型的準(zhǔn)確率提升至57.06%。而在時序注意力機(jī)制的基礎(chǔ)上再增加SA，網(wǎng)絡(luò)模型的預(yù)測結(jié)果可以達(dá)到60.27%的準(zhǔn)確率，這說明空間維度上重要特征信息的提取對模型的決策具有較大幫助，SA 中空間注意力分支和通道注意力分支可以較好地輔助網(wǎng)絡(luò)關(guān)注到重要特征信息。

Table 1 Results of ablation experiments on the DAiSEE dataset表1 在DAiSEE數(shù)據(jù)集上的消融實驗結(jié)果

在消融實驗中，將Shuffle Attention 與2 種經(jīng)典的空間注意力機(jī)制Convolutional Block Attention Module（CBAM）［22］和Squeeze-and-Excitation（SE）［15］進(jìn)行比較。CBAM 注意力機(jī)制以平均池化和最大池化為主要計算操作，由一個通道注意力模塊和一個空間注意力模塊串行構(gòu)成；SE 注意力機(jī)制則是利用全局平均池化操作實現(xiàn)。從實驗結(jié)果可以看到，3 種空間注意力機(jī)制的加入均提升了識別準(zhǔn)確率，說明空間注意力機(jī)制有助于提升網(wǎng)絡(luò)模型性能。其中，SA 機(jī)制效果最佳，這得益于SA 較好地將通道維度與空間維度的特征依賴綜合起來進(jìn)行分析，并且避免了為降低計算開銷而采用多個全連接進(jìn)行特征降維的操作，保證輸入的特征信息能被充分利用。

為了更直觀地說明在ResNet18 網(wǎng)絡(luò)中加入SA 機(jī)制帶來的幫助，利用GradCAM［23］方法對分別含有SA、CBAM 和SE 注意力機(jī)制的網(wǎng)絡(luò)進(jìn)行圖像幀熱力圖的可視化，如圖5所示。根據(jù)熱力圖對比可知，相較于另外2 種空間注意力機(jī)制，本文使用的SA 可以使網(wǎng)絡(luò)關(guān)注到更大面積的人臉區(qū)域，覆蓋人眼、鼻子以及嘴巴等特征區(qū)域，這些區(qū)域?qū)Ｗ⒍鹊念A(yù)測任務(wù)尤為重要。值得注意的是，從圖5 第三行可以看到，當(dāng)目標(biāo)對象發(fā)生較大姿態(tài)變化時，本文方法也能較好地定位到對任務(wù)有幫助的關(guān)鍵區(qū)域，這主要得益于SA 在通道和空間維度的特征篩選，使網(wǎng)絡(luò)模型的性能得到保證。

Fig.5 Visual heatmaps under different attention mechanisms圖5 不同注意力機(jī)制下的可視化熱力圖

為了驗證算法的泛化性，在自采的在線學(xué)習(xí)視頻數(shù)據(jù)集OLV 中進(jìn)行消融實驗，結(jié)果如表2 所示。從表2 可知，該方法在OLV 數(shù)據(jù)集上也取得了很好的效果，準(zhǔn)確率達(dá)到65.00%，且優(yōu)于其他2 種空間注意力機(jī)制方法，證明了其對專注度檢測的有效性。值得注意的是，在OLV 數(shù)據(jù)集上獲得的準(zhǔn)確率高于DAiSEE 數(shù)據(jù)集，這可能是由于DAiSEE數(shù)據(jù)集中存在較為嚴(yán)重的數(shù)據(jù)類別不平衡問題，而本實驗在采集OLV 的數(shù)據(jù)時盡量避免了這個問題，因此OLV 數(shù)據(jù)集的類別分布比較均勻，對模型學(xué)習(xí)起到了積極作用。

Table 2 Results of ablation experiments on the OLV dataset表2 在OLV數(shù)據(jù)集上的消融實驗結(jié)果

3.5 算法比較

在DAiSEE 數(shù)據(jù)集上進(jìn)行比較，結(jié)果如表3 所示。從表中數(shù)據(jù)可知，本文方法明顯優(yōu)于大部分現(xiàn)有方法，說明該方法具有更高的精度。

Table 3 Comparison with other methods on the DAiSEE dataset表3 在DAiSEE數(shù)據(jù)集上與其他方法的比較

值得注意的是，本文方法準(zhǔn)確率略低于文獻(xiàn)［14］中的多模態(tài)方法，原因可能是該方法選用50 層的ResNet 作為主干網(wǎng)絡(luò)，并且結(jié)合面部外觀、眨眼頻率等多模態(tài)特征。然而，采用較大深度的網(wǎng)絡(luò)模型以及使用多模態(tài)特征時會增加計算開銷，不利于在線教育場景的實際應(yīng)用。

為了進(jìn)一步說明這個問題，對2 種方法進(jìn)行推理時間測試。其中，文獻(xiàn)［14］的方法推理時間為（88.13±2.86）ms，而本文方法則只需（48.06±0.05）ms，這些數(shù)據(jù)證明本文方法在時間復(fù)雜度上占有優(yōu)勢。因此，本文方法更適合在數(shù)據(jù)量大、場景復(fù)雜多變的在線學(xué)習(xí)環(huán)境中使用。

4 結(jié)語

本文針對在線教育環(huán)境下教師難以獲悉學(xué)習(xí)者專注度的問題，提出了一種基于時空注意力機(jī)制的專注度檢測方法。該方法以ResNet18 和LSTM 為主干網(wǎng)絡(luò)，加入SA 提高網(wǎng)絡(luò)對空間特征的提取能力，獲得更為重要的空間特征信息，并在時序特征提取模塊中加入GA，使得網(wǎng)絡(luò)可以結(jié)合所有時序幀的信息綜合地進(jìn)行決策評估。為了證明方法的有效性，自建一個在線教育環(huán)境下的學(xué)習(xí)視頻數(shù)據(jù)集OLV，并將提出的方法分別在公開數(shù)據(jù)集DAiSEE 以及自采數(shù)據(jù)集OLV 上進(jìn)行測試。實驗結(jié)果證明，本文方法在性能方面優(yōu)于大多數(shù)現(xiàn)有方法。由于選用的是較為輕便的主干網(wǎng)絡(luò)，該方法具有較低的時間開銷，適用于實際的在線學(xué)習(xí)場景。在未來的工作中，考慮到3D 卷積網(wǎng)絡(luò)對視頻數(shù)據(jù)具有非常低的時間開銷，將嘗試對3D 卷積網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化并用于專注度檢測，在保證更低時間開銷的同時獲得更好的檢測結(jié)果。此外，由于目前采集的OLV 數(shù)據(jù)集人數(shù)有限，視頻數(shù)量較少，后續(xù)將繼續(xù)邀請更多學(xué)生完成錄制，增加數(shù)據(jù)集的樣本數(shù)量，更好地支持對模型的訓(xùn)練與測試。