Problems and possibilities of using video analytics in the fields of education and entertainment
Author:
Окатьева Анастасия ДмитриевнаORCID
Abstract
Быстрые изменения и совершенствование технологий произвели революцию в современном мире. Взаимодействие человека и компьютера (HCI) развивалось в течение определенного периода, трансформируя многие аспекты нашей жизни, включая то, как мы учимся. В настоящее время студенты могут извлечь выгоду из быстрого обмена информацией, доступности в Интернете и практической реализации того, что ранее преподавалось только в книгах. Опыт обучения и компетентность зависят от того, насколько хорошо предмет преподается студентам и через какую среду. Книги и текстовые ресурсы со временем зарекомендовали себя как отличный способ доставки и использовались на протяжении веков. Аудио-и видеоматериалы также оказались эффективным способом доставки информации, поскольку они обеспечивают хорошее количество богатого контента за относительно короткий период, что привело к повышению мотивации учащихся в классе и изменению восприятия преподавателей. Однако отсутствие погружения и контроля делает обучение на основе видео менее личным, чем интерактивные классы и моделирование реальной жизни. Видеонаблюдение с помощью видеоаналитики может быть развернуто для мониторинга территорий в определенное время суток. Например, как только школа открывается, не должно быть много активности на парковке или в определенных местах вокруг школы. В таких ситуациях интеллектуальные камеры с видеоаналитикой могут использоваться для обнаружения активности в тех областях, которые представляют интерес, чтобы предупредить службу безопасности школы о том, что что-то может потребовать их внимания. Радиолокационное обнаружение идеально подходит для периметров, где устройство может быть ненавязчиво настроено для оповещения, когда кто-то входит в определенную зону.
Rapid changes and improvements in technology have revolutionized the modern world. Human-computer Interaction (HCI) has evolved over a period of time, transforming many aspects of our lives, how we learn. Currently, students can benefit from the rapid exchange of information, accessibility on the
Internet, and practical implementation of what was previously taught only in books. Learning experience and
competence depend on how well the subject is taught to students and through what medium. Books and text
resources have proven to be a great delivery method over time and have been used for centuries. Audio and
video materials have also proven to be an effective way to deliver information, as they provide a good amount
of rich content in a relatively short period, which has led to increased motivation of students in the classroom
and a change in the perception of teachers. However, the lack of immersion and control makes video-based
learning less personal than interactive classes and real-life simulations. Video surveillance using video analytics
can be deployed to monitor territories at certain times of the day. For example, once a school opens, there
shouldn't be a lot of activity in the parking lot or in certain places around the school. In such situations, smart
cameras with video analytics can be used to detect activity in areas of interest, to warn the school security
service that something may require their attention. Radar detection is ideal for perimeters, where the device can
be unobtrusively configured to alert when someone enters a certain area.
Publisher
Cifra Ltd - Russian Agency for Digital Standardization (RADS)
Reference17 articles.
1. Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J., et al. (2016). “Tensorflow: a system for large-scale machine learning,” in 12th USENIX Symposium on Operating Systems Design and Implementation (Savannah, GA: USENIX Association), 265–283. 2. Chi, Y. M., Wang, Y.-T., Wang, Y., Maier, C., Jung, T.-P., and Cauwenbe, G. (2012). Dry and noncontact EEG sensors for mobile brain–computer interfaces. IEEE Trans. Neural Syst. Rehabil. Eng. 20, 228– 235. doi: 10.1109/TNSRE.2011.2174652 3. Danelljan, M., Robinson, A., Khan, F. S., and Felsberg, M. (2016). “Beyond correlation filters: learning continuous convolution operators for visual tracking,” in European Conference on Computer Vision, eds B. Leibe, J. Matas, N. Sebe, and M. Welling (Amsterdam: Springer), 472–488. doi: 10.1007/978-3-319-46454- 1_29 4. Domínguez-Jiménez JA, Campo-Landines KC, Martínez-Santos JC, Delahoz EJ, Contreras- Ortiz SH. A machine learning model for emotion recognition from physiological signals. Biomedical Signal Processing and Control. 2020;55:101646. 5. Fu, Q., Luo, Y., Liu, J., Bi, J., Qiu, S., Cao, Y., et al. (2017). “Improving learning algorithm performance for spiking neural networks,” in 2017 IEEE 17th International Conference on Communication Technology (ICCT) (Chengdu: IEEE), 1916–1919. doi: 10.1109/ICCT.2017.8359963
|
|