Оцените презентацию от 1 до 5 баллов!
Тип файла:
ppt / pptx (powerpoint)
Всего слайдов:
12 слайдов
Для класса:
1,2,3,4,5,6,7,8,9,10,11
Размер файла:
634.87 kB
Просмотров:
62
Скачиваний:
0
Автор:
неизвестен
Слайды и текст к этой презентации:
№1 слайд
Содержание слайда: Автоматическая оценка мотивационных критериев с использованием психографических тестов.
А.А. Бовырина, А.А.Тельных.
Нижний Новгород
№2 слайд
Содержание слайда: Психографический тест Леонтьева
В докладе рассматриваются вопросы автоматизации измерения основных характеристик психографического теста В.Г. Леонтьева с использованием методов и алгоритмов компьютерного зрения и машинного обучения. Показано, что использование данных методов позволяет автоматизировать процесс получения характеристик психографического тестирования и облегчает процесс их интерпретации.
№3 слайд
№4 слайд
Содержание слайда: Типичные примеры психографических тестов.
№5 слайд
Содержание слайда: Исходное поле чувствительности.
При интерпретации результатов теста, через центр прямоугольника провидится ось координат (X;Y), которая делит его на четыре зоны с координатами [+X,+Y],[-X,+Y],[+X,-Y],[-X,-Y] соответственно. Каждая из этих зон прямоугольника обозначает различные характеристики мотивации. На рисунке 1 представлены характеристики мотивации на поле чувствительности. Далее в прямоугольнике проводится диагональ из левого нижнего угла в правый верхний угол, которая в психологической практике называется «линией жизни». Мотивацию характеризуют следующие показатели:
Угол между линией жизни и вектором стремления.
Направление вектора мотивации.
Координаты точки мотивации.
Расстояние от нижней линии рамки до точки мотивации.
Расстояние от начала координат до точки мотивации
№6 слайд
Содержание слайда: Алгоритм автоматического определения параметров психографического теста.
№7 слайд
Содержание слайда: Этапы выполнения алгоритма определения параметров психографического теста.
№8 слайд
Содержание слайда: Использование нейронных сетей для вычисления параметров теста
Схема анализа прямоугольного фрагмента изображения с использованием так называемого «сильного классификатора» (искусственного нейрона), параметры которого получены в результате обучения с использованием алгоритма adaboost.
№9 слайд
Содержание слайда: Используемые в работе нейроноподобные детекторы
Детектор углов рамки
Детектор стрелки
Детектор точки мотивации
№10 слайд
Содержание слайда: Интерфейс программы для автоматической оценки мотивационных критериев
№11 слайд
Содержание слайда: Выводы.
№12 слайд
Содержание слайда: Спасибо за внимание