基于卷积神经网络与混合式学习的舞蹈教育优化研究
Enhancing dance education through convolutional neural networks and blended learning
Zhiping Zhang, Wei Wang
PeerJ Computer Science · 2024-10-25
开放获取音乐与舞蹈被引 7被引前 10%影响因子 ≈4.7
摘要
本文探讨了舞蹈教学的演进态势，着重指出互联网与技术对舞蹈教育的深刻变革作用。随着在线平台的兴起，舞蹈教育不再局限于实体教室，而是得以拓展至虚拟空间，从而提供更灵活且便捷的学习体验。混合式学习模式将传统线下教学与在线资源相融合，形成了一种能够突破地理与时间限制的多功能教学途径。文章重点介绍了利用双翼和声器（DWH）多视角度量学习（MVML）算法进行面部情绪识别的技术，以此提升对学生舞蹈表演中情绪表达的评价精度。此外，通过将动作捕捉技术与卷积神经网络相结合，能够对学生的舞蹈动作进行精准分析，进而提供详尽的反馈与改进建议。通过对情绪表达评价与舞蹈动作分析的整合，可实现对学生表演的全面评估。实验结果表明该方法具有显著的有效性，不仅识别准确率较高，还为舞蹈教学成效提供了重要的参考依据。借助技术进步，这一方法为舞蹈教育的客观评价引入了新思路与新手段，有望推动未来学习成果与教学实践的进一步提升。
本摘要由 AI（Hy-MT2-Pro）翻译生成，仅供参考，请以原文为准。
AI 综述
基于全文生成- 主要观点
- 本文主张将混合式学习与深度学习技术相结合，以克服传统舞蹈教学中主观评价的局限性。研究提出利用双翼多视图度量学习（DWH-MVML）算法进行面部情感识别，并融合卷积神经网络（CNN）与动作捕捉技术分析舞蹈动作。通过结合情感表达与动作规范性的多维度评估，构建了一个客观、全面的舞蹈教学评价体系，从而为学生提供科学的反馈与指导。
- 研究方法
- 研究采用多模态数据分析方法，通过高分辨率摄像头采集面部图像并利用CNN进行表情识别，同时运用背景减除和OpenPose算法进行动作捕捉与姿态估计。在数据处理阶段，对图像和动作轨迹进行了归一化处理及数据增强，以提升模型的鲁棒性。实验选取20名学生作为样本，对比引入DWH-MVML评估系统前后学生在情感表达和动作标准化方面的得分变化，并使用F-score等指标与多种模型进行性能对比。
- 学术贡献
- 该研究构建了一个融合面部表情与动作捕捉数据的多模态评估框架，有效解决了传统舞蹈评价中标准不一和难以量化的问题。实验结果表明，DWH-MVML算法在精确率、召回率和F分数上均显著优于现有其他模型，展现出较高的识别准确率。该方法不仅为舞蹈教育提供了客观的量化评估工具，还通过实证数据证明了其在提升学生情感表达能力和动作规范性方面的实际效果。
- 存在局限
- 尽管整体识别准确率较高，但对厌恶、愤怒、恐惧和中性等部分面部表情的识别率仍未达到90%，模型仍需进一步训练优化。此外，材料中未明确提及该系统在更大规模样本或更复杂真实表演环境中的泛化能力，也未说明相关硬件设备的部署成本与技术门槛。
- 进一步研究方向
- 未来研究应继续优化模型训练，重点提升愤怒、恐惧等复杂面部表情的识别准确率。此外，需在更多样化的真实表演环境和个体差异中验证MVML算法的有效性，并进一步探索音频信号等其他模态数据的有效融合技术，以完善多模态舞蹈教学评估体系。
本综述由 AI（GLM-5）阅读开放获取全文自动生成，仅供参考，不代表原文作者观点，请以原文为准。
参考文献
相关论文
话题：Human Pose and Action Recognition