7、深度学习在计算机视觉与教育领域的应用探索

深度学习在计算机视觉与教育领域的应用探索

深度学习助力人类活动识别

在人类活动识别领域，传统的循环神经网络（RNN）存在梯度消失或爆炸的问题，这使得靠近输入的隐藏层学习受阻。若权重过小，梯度可能消失；若权重过大，梯度则可能爆炸。因此，RNN 对时间敏感，缺乏长期记忆，且受短期记忆影响。

为解决这些问题，长短期记忆网络（LSTM）和门控循环单元（GRU）应运而生。LSTM 起源于 1997 年 Hochreiter 和 Schmidhuber 的工作，已得到广泛认可并衍生出众多变体。与传统 RNN 不同，LSTM 集成了输入和输出门，有效解决了梯度消失/爆炸的挑战，擅长捕捉长时间信息，能出色处理长文本序列。GRU 与常规 RNN 共享输入和输出结构元素，但其内部配置与 LSTM 相似。LSTM 和 GRU 在自然语言处理、语音合成和语音识别等应用中得到了广泛应用。

卷积神经网络（CNN）和 RNN 的各种组合也被用于人类活动识别。CNN 擅长从图像中提取特征，而基于 LSTM 单元的深度循环神经网络则能有效处理序列数据。例如，在工业监控视频活动识别中，研究人员将连续视频分割成重要片段，基于预训练的 CNN 模型（MobileNet）提取人类显著特征进行选择，再用基于 CNN 的 FlowNet 光流模型的卷积层提取图像序列中活动的时间特征，最后使用多层 LSTM 进行活动识别。另一种方法是结合 CNN（GoogLeNet 架构）和多层 LSTM 单元进行视频动作识别，研究表明 Inception/Residual 模型可提升 CNN 性能，多层 LSTM 架构优于单层 LSTM。

以下是不同特征表示方法在人类活动识别中的比较：
|特征表示类别|参考与任