当前位置:首页 期刊杂志

基于深度学习与有向无环图SVM的局部调整年龄估计

时间:2024-09-03

李 骏,杨雅志

基于深度学习与有向无环图SVM的局部调整年龄估计

李 骏1,杨雅志2

(1. 成都工业学院教务处教学建设与教学质量管理科,四川 成都 611730; 2. 成都工业学院计算机工程学院,四川 成都 611730)

为了进一步从人脸图像中提高年龄估计的精度,提出一种基于深度学习与有向无环图支持向量机(SVM)的局部调整年龄估计算法。在训练阶段,首先将经过VGGFace2数据集预训练的SE-ResNet-50网络进行微调,并在收敛时提取全连接层,将其首尾相连形成的向量作为表征并训练得到多个one-versus-one SVM;在测试阶段,先将待估计人脸图像送入SE-ResNet-50以得到一个较为粗略的年龄估计值,然后设定具体邻域,最后将训练而成的SVM组合为一个有向无环图SVM并以全局估计值为中心进行精准的年龄估计。为了表明算法的普适性,在不同种族的MORPH和AFAD图像集中进行了实验,结果验证了算法的有效性。

年龄估计;深度学习;有向无环图支持向量机;局部调整

年龄估计,旨在判别输入人脸图像的年龄值或年龄组别。虽然基于人脸图像的年龄自动估计是多媒体应用、人机交互等许多实际应用中涉及的一项重要技术,但从人脸图像中估计年龄仍然是一个具有挑战性的问题:由于不同的人衰老的方式不同,衰老的过程不仅取决于人的基因,还取决于许多外部因素,如身体状况、生活方式、居住地点和天气状况等。此外由于使用化妆品和配饰的程度不同,男性和女性的年龄也可能不同。如何在降低个体差异负面影响的同时,提取出一般的判别性老化特征仍然是一个有待解决的问题。

基于经典机器学习的年龄估计方法,包含特征提取与年龄判别2个步骤,其中特征提取通常利用主动外观模型[1]、局部二值模式[2]、流形学习[3]或者仿生特征[4]等浅层表征方法,此后再采用K近邻 法[4]、二次回归函数[5]或支持向量回归[6]等机器学习方法进行最终的年龄判别。

近些年在研究年龄估计时,常常采用深度学习的方法。文献[6]利用卷积神经(convolutional neural networks,CNN)的第2~5层特征图作为特征向量,然后进行非线性降维处理,最终利用支持向量分类与回归、偏最小二乘法与典型性相关分析进行年龄预测。文献[7]采用一个类Alexnet的CNN模型进行年龄估计。文献[8]首先将人脸图像分为不同的大小,再划出多个局部对齐块,最终将其输入进4层的网络,该方法通过增加样本容量来增强CNN的泛化能力。文献[9]将年龄标签看作实数,使得输出层含有一个神经元,其本质为年龄回归。

在上述方法中通常只采用一种特定的生成式模型、判别式模型、分类CNN或回归CNN进行年龄估计,其弊端为样本容量、迭代次数等超参数设置一旦不合理或参数未完全收敛,便毫无容错率可言,以至对最终的年龄估计精度产生决定性影响。

针对此不足,且为了进一步提高年龄估计的精度,将经典的机器学习与深度学习方法相结合,本文提出一种由粗到细、由全局到局部的局部调整年龄估计方法(local adjusted age estimation,LAAE),如图1所示。在训练阶段,首先对经过VGGFace2数据集预训练的SE-ResNet-50网络进行微调,待到收敛时提取出全连接层,将其首尾相连形成的向量作为表征并训练出多个one-versus-one SVM;在测试阶段,先将待估计人脸图像送入SE-ResNet-50以得到一个较为粗略的年龄估计值,然后设定具体邻域并将训练而成的支持向量机(support vector machine,SVM)组合为一个有向无环图SVM以进行精准的年龄估计。

1 SE-ResNet-50

1.1 残差网络

在超分辨率测试序列(visual geometry group,VGG)中,其CNN达到了19层,在GoogleNet中,网络的层数史无前例地达到了22层,但是在深度学习中,网络层数增多将伴随着计算资源的消耗,模型易过拟合且易产生梯度消失与梯度爆炸问题。计算资源的不足对企业或科研经费充足的高校而言,只需要通过GPU集群就可以解决;过拟合也可通过大量采集有效样本数据并配合Dropout等正则化方法来解决;而梯度方面的问题通过批量归一化也可以很好地解决。貌似只要一直增加神经网络的层数,就可以获得收益,但是实验数据却不能有效地支撑此观点[10]:随着神经网络层数的增多,训练误差逐渐下降,并趋于饱和。再增加网络深度时,训练误差反而会增大。当网络退化时,浅层网络比深层网络有更好地训练效果,这时如果将低层的特征传到高层,其效果不比浅层的网络效果差。如一个VGG100网络在第99层使用的是和VGG16第15层一模一样的表征,那么VGG100的性能应与VGG16的性能相同。因此可以在VGG100的99层和15层之间添加一条恒等映射来达到此效果。从信息论的角度而言,由于数据处理不等式的存在,在前向传输的过程中,随着层数的加深,特征图谱包含的原图像信息会逐层减少,而恒等映射的加入,保证了网络后一层一定比前一层包含更多的图像信息。基于这种快捷映射的思想,便有了残差神经网络,即在原神经网络中加入一系列残差模块而形成的,如图2所示。

图1 总体流程图

图2 残差模块

其可用X+1=(X)+(X+W)式表示,其中(X)=X为恒等映射在图2左边曲线;(X+W)为残差部分在图2右边曲线,其中W为第l层的权重与偏置。当前一层与后一层的特征图谱数量维度不同时,需要1*1卷积操作进行降维或升维,此时(X)=WX,其中为1*1卷积操作。

1.2 挤压激励模块

在CNN的卷积层中,一系列卷积核的集合可看作是输入通道上的邻域空间连接模式,可将空间维度上的信息和通道信息融合在局部感受野内[11]。CNN通过将一系列卷积层,非线性激活函数与池化操作进行堆叠以产生鲁棒的表征,从而捕获层次模式并获得理论上的全局感受野。很多研究工作是从空间维度信息层面来提高网络的性能,如Inception结构中嵌入了多尺度信息,依次聚合多种感受野上的特征;Inside-Outside中考虑了空间的邻域信息。挤压-激励模块(squeeze-and-excitation module,SE)通过考虑特征通道中的关系来提升网络性能,其方法是自动学习每个特征通道的重要程度,然后依重要程度去提升有用的特征,同时抑制对当前任务用处不大的特征。SE的各部分操作如下:

(1):一般为卷积操作。

(2):挤压(squeeze)操作。本文顺着空间维度进行特征压缩,使得输出的维度和输入的特征通道数相匹配。此外将每个二维的特征通道变成一个标量,此标量在某种程度上具有全局的感受野,其表征着在特征通道上响应的全局分布,而且使靠近输入的层也可获得全局感受野。

(3):激励(excitation)操作。其是一个类似于循环神经网络中门的机制,通过学习用来显式地建模特征通道间的相关性参数来为每个特征通道生成对应权重。

(4):重赋值(scale)操作。将激励输出的权重看做经过特征选择后的每个特征通道的重要性,然后逐通道相乘到先前的特征上,完成在通道维度上的对原始特征的重标定(feature recalibration)。

SE可集成到诸如Inception或残差网络中,本文将SE-ResNet-50作为主干网络,如图3所示。

图3 SE-ResNet示意图

首先经过一个残差模块,然后使用全局平均池化操作进行“挤压”,紧接着以2个全连接层去显式建模通道间的相关性:首先特征维度将为原来的1/(取16),然后再通过一个全连接操作升回到原维度。这种“Bottleneck”模块具有更强非线性且极大减少了参数量与运算量。通过Sigmoid将特征权重归一化为0~1间的值,最后通过Scale操作对各通道特征进行加权。

2 LAAE

2.1 局部调整

LAAE的思想是将CNN估计到的年龄值在局部邻域内尽可能靠近真实年龄。示意图如图4所示。

图4 局部调整示意图

假设输入数据为,对应的CNN输出为(),即图4中的1号小圆。也许()离图中2号小圆的实际年龄值仍有一段距离,局部调整的年龄估计的思想便是在领域范围2内左右滑动(即为增大或者减小)估计值(),使其更接近于实际年龄值,可用公式表示为Î[()-,()+]。

如此可将局部调整年龄估计分为2步进行:①利用CNN网络对所有训练数据进行年龄分类。此步骤可看作是粗估计或全局估计;②以第一步的结果作为中心在小范围内的领域中进行局部调整。此步骤可看作是细调或局部估计。

此时问题的关键在于如何在一定范围内验证不同的年龄值,以便进行局部调整。本文目标是通过全局回归将最初估计的年龄值尽可能向真实年龄靠拢。并将每个年龄标签看作是一个类,采用分类的方法对不同的年龄值进行局部调整或验证。因为只有少量的年龄标签用于每个局部调整,因此回归方法不能正常工作。对于基于分类方法的局部调整,在分类器方法有许多可选项,但本文采用线性SVM用于局部调整。主要是因为SVM对于训练样本较少的情况具有鲁棒性。这在之前的小样本案例学习中已经被论证过,如人脸识别[12-13]、图像检索[14]、音频分类与检索[15]和人脸表情识别[16]。

2.2 线性SVM

给定分属2类的训练向量(1,1),···,(,z),其中Î,zÎ{-1, +1},线性SVM可以学习一个最优分类超平面+=0以最大化2类之间的间隔(margin)[17-18]。SVM的学习本质为求下列拉格朗日泛函的鞍点,即

其中,为拉格朗日乘子。其优化目标可以被转化为如下的对偶问题,即

此时最优超平面可表示为对偶解,即

值可被代入原方程+=0当中进行求解。

测试时,对于任意数据点,分类结果为

若训练数据不可分,则可引入松弛变量,关于这部分可参考文献[17]。

2.3 有向无环图SVM

经典SVM的设计是为了解决二分类问题,当其被拓展到多分类问题时有以下几种方法:①one- versus-one:为每2类学习一个分类器;②one-versus- many:为每一类与剩余的其他类训练出多个SVM;③many-versus-many:为所有类同时训练SVM。最后的2种方法显然不适合于本文算法,因为在进行局部调整时只有少量的部分样本包含在内。若采用后面2种方法则SVM将会在每次局部调整时动态地重新训练,这毫无疑问地会增加训练复杂度。第一种方法在本次任务中是可行的,原因在于其不需要在线训练SVM,即所有成对SVM分类器都会被离线训练。

图5 有向无环图SVM

由图5可见,有向无环图的顶层只含有一个节点,即根节点,第2层有2个节点,以此类推,第层含有个节点,直到最底层即将类分类完毕。若输入一个样本,有向无环图由根节点开始,计算每个节点的符号函数(·+)决策值(见式(4)),若为-1则进入左子节点,若为1则转入右子节点。依次类推,在最后一层叶节点的输出就可以表示样本的类别。由此可见,有向无环图实际相当于一个表格运算:初始时表格中包含所有类,此后每次的节点运算中对表格中的首尾2类进行比较,排除样本中最不可能属于的类别,并删除表中的一个类,到最后表格中剩下的唯一一类即为样本所属的类别。

通常对于一个分类问题,在测试阶段只需要进行-1次比较。这里,成对比较的次数被限制到了-1次,因为在局部调整时只有类涉及到了(<)。

2.4 领域范围的设计

理论上设计局部调整时的邻域((),)= {|()-<<()+}是很难的,因为其是由诸多因素决定的,诸如样本容量的大小与粗估计器的性能等。然而,可以有大方向存在:搜索的范围越大,包含真实年龄的机会就越大。如果搜索范围太小,可能达不到真实的年龄标签,就局部搜索而言可能会找到一个任意的年龄标签。另一方面,若局部搜索范围太广,其也增加了调整年龄时远离真实年龄的可能性,因为局部分类只是一个局部最优搜索。

为了对年龄估计进行局部调整与满足有向无环图SVM的特殊拓扑结构,本文尝试了2的幂次方的不同的局部搜索范围:2(=1),4(=2),8(=4),16(=8)。理论上可将搜索范围延展到与数据集的样本容量一样,但这样不满足“局部调整”的策略,因此,本文最多将搜索范围设置到16。

在实验中,本文指定了不同的范围,并演示了不同的局部搜索范围对于结果的影响。目的是为了表明局部调整的确可以提高单一机器学习分类器或深度学习网络的年龄估计性能。

3 实验结果及分析

3.1 所用数据集

为了验证本方法的有效性与普适性,选择由黄种人组成的AFAD数据集[9]和白人与黑人组成的MORPH数据集[20]进行消融与对比实验。

(1) AFAD数据集。AFAD包括来自社交网路上的164 432张图像,年龄范围为15~40岁。是目前最大的用以年龄估计的开源数据集,对于研究无约束环境下的人脸年龄相当有意义。由于官方未提供对AFAD中训练集与测试集的划分标准,因此为了能与其他的年龄方法进行对照,随机将AFAD划分为80%的训练集与20%的测试集。图6为AFAD数据集中的部分示例。

图6 AFAD示例图像

(2) MORPH数据集。MORPH包括13 015个人的55 608张人脸图像,年龄范围为16~77岁。图7为MORPH数据集中的一些示例。其划分标准与AFAD类似。

图7 MORPH示例图像

3.2 预处理、实验设置与评价指标

在进行年龄估计之前,首先对原始的人脸图像做以下预处理:采用级联VJ检测器[21]进行人脸检测,其次采用主动外观模型[1]对人脸基准点进行定位,最后将图像缩放为224×224进行实验。本次实验在caffe[22]的GPU开源框架下进行,且所用SE-ResNet-50模型来源于文献[23]。

3.3 消融实验

为了证明LAAE的有效性,本文指定了不同的领域范围,并演示了不同局部搜索范围对于结果的影响。作为对比,还加入了只用SE-ResNet和只用SVM (此时的特征提取采用的是图像三通道像素与线性降维–主成分分析)进行的年龄估计。消融实验的结果见表1。

表1 不同邻域设置下的MAE对比

由表1可得出以下结论:

(1) MORPH中的表现总比AFAD要好。究其原因,在于MORPH中的图像是官方进行的拍摄,因此光照条件,摄像机性能等相当良好;而AFAD中的图像是从人人网中进行爬取而获得的,因此在分辨率上参差不齐,这便造成了性能上的差异。

(2) 深度学习的方法在2个数据集中的表现均好于经典的机器学习方法,这也进一步论证了深度学习的优越性。

(3) 局部调整的效果好于单纯的机器学习方法或单纯的深度学习方法,但不同的邻域使性能有所差异,且2个数据集上表现最好的邻域设置是不一样的。究其原因,在于MORPH与AFAD样本容量的差异,即MORPH的类别数较多,因此其的搜索范围越大表现的越好,但这一点在AFAD中却截然相反,只有在=4时表现最好,之后邻域越大效果反而越差。本文只将邻域取到=8,除了上节所说的邻域越大不满足局部调整的先验条件之外,还有一个重要原因,即若取=16,则局部调整的范围就扩大到了32,而AFAD中的类别为40-15+1=36,即相当于年龄的二次估计。

3.4 对比实验

为了进一步验证方法的有效性,将所得结果与其他的基于深度学习的年龄估计方法进行对比。结果见表2和图8~9。

表2关于Deeply learned feature[6],Multi-scale[8]与MR-CNN[9]的描述可参见引言。GA-DFL[24]将年龄顺序分为一组离散的群组,并且跨年龄群组去学习深度特征映射而将每对人脸映射至新的表征空间项目。同时来自训练集中的正向成对人脸组内(intra-group)的方差被最小化且负向成对人脸组间(inter-group)的方差被最大化。OH-Ranker[25]与OR-CNN[9]通过在年龄估计中引入标签的排序信息进行一系列的二分类,不同之处在于前者采用SVM而后者采用CNN模型。CNN-ELM[26]采用CNN进行特征提取,而后采用极限学习机(extreme learning machine,ELM)进行年龄分类。D2C[27]提出了一种新的基于点向累积信号(point-wise cumulative signal)的累积隐含层。在此累积隐含层中,模型是通过相邻年龄段的人脸进行间接学习的。由表2可看出,深度学习的方法优于机器学习方法,且年龄标签问题是年龄估计方法中不得不考虑的问题。此外,本文方法在MORPH与AFAD中分别达到了3.04与3.17的平均绝对误差,很明显超出了之前方法的性能。相较于最好方法的OR-CNN,本文方法在平均情况下的性能提升了大约6%。

表2 与其他方法的MAE对比

图8 局部调整年龄估计与其他方法在MORPH上关于CS的对比

图9 局部调整年龄估计与其他方法在AFAD上关于CS的对比

在与其他方法的累计分数指标对比方面,分别选取了在MORPH上表现最好的LAAE (=8)和在AFAD上表现最好的LAAE (=4),实验结果如图8与图9所示。在图8中,当可允许的误差年龄范围大于4之后,本文方法领先于其他对比方法。在图9中,本文方法一直优于OR-CNN。

4 结束语

本文提出一种局部调整的年龄估计方法LAAE。首先利用深度学习进行年龄全局的粗估计,然后通过设定邻域而在有向无环图SVM上在进行局部的细估计。通过实验结果可以看出LAAE的性能好于纯深度学习与纯机器学习方法,与其他方法的对比也能进一步说明LAAE的有效性。在其他模式识别方面,LAAE在理论上是可行的。未来的研究方向,可以数据驱动邻域搜索范围而不是人为机械地进行设置。

[1] COOTES T F, EDWARDS G J, TAYLOR C J. Active appearance models[M]//Lecture Notes in Computer Science. Heidelberg: Springer, 1998: 484-498.

[2] LU J W, LIONG V E, ZHOU J. Cost-sensitive local binary feature learning for facial age estimation[J]. IEEE Transactions on Image Processing, 2015, 24(12): 5356-5368.

[3] GUO G D, FU Y, HUANG T S, et al. Locally adjusted robust regression for human age estimation[C]//2008 IEEE Workshop on Applications of Computer Vision. New York: IEEE Press, 2008: 1-6.

[4] GUO G D, MU G W, FU Y, et al. Human age estimation using bio-inspired features[C]//2009 IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE Press, 2009: 112-119.

[5] FU Y, HUANG T S. Human age estimation with regression on discriminative aging manifold[J]. IEEE Transactions on Multimedia, 2008, 10(4): 578-584.

[6] WANG X L, GUO R, KAMBHAMETTU C. Deeply-learned feature for age estimation[C]//2015 IEEE Winter Conference on Applications of Computer Vision. New York: IEEE Press, 2015: 534-541.

[7] LEVI G, HASSNCER T. Age and gender classification using convolutional neural networks[C]//2015 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). New York: IEEE Press, 2015: 34-42.

[8] YI D, LEI Z, LI S Z. Age estimation by multi-scale convolutional network[EB/OL]. [2020-06-01]. https://link. springer.com/chapter/10.1007%2F978-3-319-16811-1_10.

[9] NIU Z X, ZHOU M, WANG L, et al. Ordinal regression with multiple output CNN for age estimation[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). New York: IEEE Press, 2016: 4920-4928.

[10] HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). New York: IEEE Press, 2016: 770-778.

[11] HU J, SHEN L, SUN G. Squeeze-and-excitation networks[C]// 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. New York: IEEE Press, 2018: 7132-7141.

[12] GUO G D, LI S Z, CHAN K L. Support vector machines for face recognition[J]. Image and Vision Computing, 2001, 19(9-10): 631-638.

[13] GUO G D, LI S Z, CHAN K L. Face recognition by support vector machines[C]//The 4th IEEE International Conference on Automatic Face and Gesture Recognition (FG 2000). New York: IEEE Press,2000: 196-201.

[14] GUO G D, JAIN A K, MA W Y, et al. Learning similarity measure for natural image retrieval with relevance feedback[J]. IEEE Transactions on Neural Networks, 2002, 13(4): 811-820.

[15] GUO G D, LI S Z. Content-based audio classification and retrieval by support vector machines[J]. IEEE Transactions on Neural Networks, 2003, 14(1): 209-215.

[16] GUO G, DYER C R. Learning from examples in the small sample case: face expression recognition[J]. IEEE Transactions on Systems, Man and Cybernetics, Part B (Cybernetics), 2005, 35(3): 477-488

[17] 李航. 统计学习方法[M]. 北京: 清华大学出版社, 2012: 15-16.LI H. Statistical learning methods[M]. Beijing: Tsinghua University Press, 2012:15-16 (in Chinese).

[18] 周志华. 机器学习[M]. 北京: 清华大学出版社, 2016: 45-46. ZHOU Z H. Machine learning[M]. Beijing: Tsinghua University Press, 2016: 45-46 (in Chinese).

[19] 王艳, 陈欢欢, 沈毅. 有向无环图的多类支持向量机分类算法[J]. 电机与控制学报, 2011, 15(4): 85-89.WANG Y, CHEN H H, SHEN Y. Classification algorithm of multi-class support vector machines for directed acyclic graphs[J]. Journal of Motor and Control, 2011, 15(4): 85-89 (in Chinese).

[20] RAWLS A W, RICANEK K JR. MORPH: development and optimization of a longitudinal age progression database[M]// Biometric ID Management and Multimodal Communication. Heidelberg: Springer, 2009: 17-24.

[21] VIOLA P, JONES M. Rapid object detection using a boosted cascade of simple features[C]//2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. New York: IEEE Press, 2001: 511-518.

[22] JIA Y Q, SHELHAMER E, DONAHUE J, et al. Caffe: convolutional architecture for fast feature embedding[C]// Proceedings of the ACM International Conference on Multimedia – MM’14. New York: ACM Press, 2014: 675-678.

[23] CAO Q, SHEN L, XIE W D, et al. VGGFace2: a dataset for recognising faces across pose and age[C]//The 13th IEEE International Conference on Automatic Face and Gesture Recognition (FG 2018). New York: IEEE Press, 2018: 67-74.

[24] LIU H, LU J W, FENG J J, et al. Group-aware deep feature learning for facial age estimation[J]. Pattern Recognition, 2017, 66: 82-94.

[25] CHANG K Y, CHEN C S, HUNG Y P. Ordinal hyperplanes ranker with cost sensitivities for age estimation[C]//2011 IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE Press, 2011: 585-592.

[26] DUAN M X, LI K L, YANG C Q, et al. A hybrid deep learning CNN-ELM for age and gender classification[J]. Neurocomputing, 2018, 275: 448-461.

[27] LI K, XING J L, HU W M, et al. D2C: deep cumulatively and comparatively learning for human age estimation[J]. Pattern Recognition, 2017, 66: 95-105.

Locally adjusted age estimation based on deep learning and directed acyclic graph SVM

LI Jun1, YANG Ya-zhi2

(1. Teaching Construction and Teaching Quality Management Section, Department of Education, Chengdu Technological University, Chengdu Sichuan 611730, China; 2. School of Computer Engineering, Chengdu Technological University, Chengdu Sichuan 611730, China)

In order to further enhance the accuracy of age estimation, we proposed a locally adjusted age estimation algorithm based on deep learning and directed acyclic graph-support vector machine(SVM). In the training phase, the SE-ResNet-50 network, pre-trained on the VGGFace2 data set, was first fine-tuned. When it converged, the fully connected layer was extracted, and the vector formed by its end-to-end connection was employed as a representation and further trained multiple one-versus-one SVM. In the testing phase, we first sent the face image into SE-ResNet-50 to obtain a rough age result, then set the specific neighborhood, finally integrated the trained SVM into a directed acyclic graph SVM, and conducted accurate age estimation centering on the global estimation value. In order to show the universality of the algorithm, the results of experiments undertaken in MORPH and AFAD datasets of different races can verify the effectiveness of the algorithm.

age estimation; deep learning; directed acyclic graph support vector machine; local adjustment

TP 391

10.11996/JG.j.2095-302X.2021010001

A

2095-302X(2021)01-0001-07

2020-07-07;

7 July,2020;

2020-09-15

15 September,2020

四川省教育厅《省级教育体制机制改革试点项目》(G5-08)

:Provincial Education System and Mechanism Reform Pilot Project of Sichuan Provincial Education Department (G5-08)

李 骏(1983-),男,四川泸县人,助理研究员,硕士。主要研究方向为计算机辅助教学管理与高教研究。E-mail:luckyli1983@sina.com

LI Jun (1983-), male, research assistant, master. His main research interests cover computer-aided teaching management and higher education research. E-mail:luckyli1983@sina.com

杨雅志(1983-),男,四川崇州人,讲师,在读博士。主要研究方向为大数据与智慧教育。E-mail:yyzhi@mail.cdtu.edu.cn

YANG Ya-zhi (1983-), male, lecturer, Ph.D candidate. His main research interests cover big data and wisdom education. E-mail:yyzhi@mail.cdtu.edu.cn

免责声明

我们致力于保护作者版权,注重分享,被刊用文章因无法核实真实出处,未能及时与作者取得联系,或有版权异议的,请联系管理员,我们会立即处理! 部分文章是来自各大过期杂志,内容仅供学习参考,不准确地方联系删除处理!