GET2020，360OSAI影像事业部总经理张焰，专注做AI视觉算法的研发和应用

360OSAI影像事业部总经理张焰

芥末堆 冷冷 12月1日报道

11月24日，在芥末堆举办的GET2020教育科技大会“即构 · 教育科技卷：和合共生”的专场上，360OSAI影像事业部总经理张焰发表了题为《AI视觉在教育中的应用》的演讲。

以下为张焰演讲实录：

由于疫情的影响，很多做线下传统教育场景的机构，现在可能被迫或者被加速转换到线上场景。这其实就是数字化的进程，但是进程来得太快，很多公司还没适应过来，所以这个过程也暴露了很多问题，以下四个痛点尤为明显：

1、学生自觉性差。尤其是K12教育，这是典型的督导式教学。以前线下督导的压力都在老师身上，搬到线上之后，督导的压力都转移到家长身上了，家长们也是为此操碎了心。

2、效果难以评估。到目前为止，还没有一套成熟的量化指标来评估课堂上的好与坏，家长对线上教学的效果仍然存疑。

3、课堂互动性差。你面对的互动对象是一个冰冷的屏幕，而不是一个和蔼可亲的老师，所以在互动方面会存在很多问题。

4、教学效率较低。传统线上课难以还原线下场景，包括场地设备的限制，给老师和机构增加了不少成本。

1、代替督学方案

很多厂家也都做过疲劳提醒，尤其像教育台灯、教育平板类的产品，包括像打哈欠、瞌睡这两个行为，我们增加了趴着的场景。看了很多真实的线下教学，学生上课比较自由散漫，都是趴在桌子上。但是趴着的场景还真的不好做，原因是虽然全身的骨骼关节点比较好检测，但针对半身，可能只看到一个头发或者上半身的一小部分，这种人体关节点几乎是检测不到或者是不准的。为此我们做了很多的尝试和研究，解决了这个问题。

姿态纠正也分为两类：坐姿不良和距离太近。坐姿不良有很度，比如趴着、卧倒、倾斜，这些情况都可以检测出来。距离太近，有两套方案。第一套是基于2D人脸检测技术来做的，这个技术的精度可能比较有限，大概是到厘米级别。我们还有跟其他的硬件厂商做的升级方案，可以精确到毫米级别的距离探测。

学生姿态实时检测的实现方案，总体分为两个维度：人脸姿态检测和人体姿态。人脸姿态包括打哈欠、瞌睡等，人体姿态检测也加入了3D深度信息，因为现在很多的教育平板都会加入ToF摄像头或者3D结构光，这样能获取到深度信息，用深度信息来辅助做人体的立体姿态识别，可以大幅的提高精度。

2、量化检测方案

课堂专注度与课堂接受度是家长比较看重的两个维度，尤其是线下的课转到线上之后。学生有没有走神，有没有认真听讲，上课的效果好不好，后续存在什么问题，这些是家长非常关心的指标。

普通专注度检测有几个维度，像举手、低头、瞌睡、玩手机，缺陷是仅有2D图像信息，检测准确率欠佳。另外是检测指标单一，没法精准回溯学情。

关于课堂接受度，到目前为止，还没有哪家公司真正把它做到产品里。我们首创的课堂接受度，包含了正向和负向维度。正向的维度像举手、微笑、点头，代表课堂接受度是比较好的。负向的维度像疑惑、皱眉、摇头，这些代表课堂接受度较差。

针对疑惑这个表情的处理，我们也下了很多功夫。从学术界来看，人类常见的表情只有7种，并不包括疑惑这个表情，也没有相关的数据。但这个表情对教学场景很有意义，所以我们在这方面做了大量的数据补充，增加了疑惑的数据和标注，最后通过迁移学习的方式，再结合人体关键点进行辅助识别，得到了最终的8类表情识别。

我们的课质监测方案采用了典型的“边缘计算+云计算”结合的架构，因为现在边缘端算力已经越来越强了，所以很多算法可以直接拷在边缘设备端以及APP上。采用这种架构还出于隐私的考虑，大家担心把学生端的摄像头打开之后，检测学生的行为可能会触犯个人隐私或者非法上传数据。这也是我们比较慎重考虑的，所以尽量把端的能力发挥出来，上传的只是用AI算法检测之后的状态，而不是客户隐私的数据。

3、智能互动方案

传统的录播课为了有一个比较好的体验，可能需要去一个专门的录播间，后面搭建绿幕，还有补光灯和一系列的设备。这里有一个明显的缺点是对场地的要求过高，而且后期的制作成本也比较高。

而传统的直播课，可以看到课件跟老师的头像画面是分屏展示的，老师跟学生之间的互动很有限，这对幼儿教育的体验是非常不友好的。

我们的AI沉浸式课件，做了非常精准的人像分割，把课件放在人像后面展示，同时人跟课件之间可以进行互动。另外，比如课件的播放、暂停、上一页、这些简单的操控，以及老师跟课件内容的互动，是我们后期不断探索的方向。这个技术也可以用来做课件的生产工具，不需要录播间的场地和设备，自动完成课件制作。

说到网课互动，我们知道传统的线上互动都是老师单向输出为主，老师很难兼顾到每个学生的状态。因为学生在屏幕当中只是非常小的头像，学生发生什么状况，老师是不知道的。

4、智能工具方案

我们在这部分做了很多的投入跟创新，因为这些跟硬件结合比较紧密，也是我们的强项。我们以前做手机出身，所以在这部分有比较好的理解跟实践经验。

很多的学习APP里可能都有拍照搜题的功能，拍照之后用OCR技术识别。很多学生可能用教育平板拍照，这时因为学生手比较小，教育平板又很大，去按快门键的时候可能经常会手抖或者拍不清晰。但现在的教育平板和手机都没有光学防抖的加持，为什么没有光学防抖？主要还是考虑硬件成本，一个光学防抖的硬件模组要4美金左右，成本还是非常高的。

我们内部出了HD Shot解决方案，可以解决各种场景下失焦、抖动、噪点、暗光等一系列拍照模糊的问题。这个功能在科大讯飞的录音笔上已经上线了，现在的录音笔很智能，除了有录音功能，还可以拍会议的文档和PPT，所以这个功能还是蛮有意思、蛮有价值的。

如下图所示，左边是处理前的效果，右边是处理之后的。这个功能可以提升动态范围，对高光进行抑制，对暗部进行提亮。

画质提升的技术，对老师端或者主播端非常有价值。一些专业的主播，设备非常齐全，把手机架到补光灯上，希望自己的脸更精致透亮。但是长期使用补光灯对眼睛的伤害还是比较大的，所以我们做了纯AI软件补光灯方案。一套是全局的补光方案，还有一套是专门针对人脸的补光方案。针对人脸的补光方案，会对人脸的肤色进行精准的识别，利用3D打光技术把人脸变得更加透亮。

最后用金字塔结构总结一下我们的业务架构，最底层是核心的基础技术，第二层是基于场景化的解决方案，需要深入了解行业的特点以及场景化的需求，顶层则是我们基于各个平台适配的SDK产品，我们可以基于基础技术做很多业务层的封装和。

本文相关词条概念解析：

课件

课件（courseware）是根据教学大纲的要求，经过教学目标确定，教学内容和任务分析，教学活动结构及界面设计等环节，而加以制作的课程软件。它与课程内容有着直接联系。所谓多媒体课件是根据教学大纲的要求和教学的需要，经过严格的教学设计，并以多种媒体的表现方式和超文本结构制作而成的课程软件。演示时间方面，多媒体课件的内容可多可少、一套大的多媒体课件可以包括一门完整的课程内容，可运行几十课时；小的只运行10-30分钟，也可能更少时间。