РОЛЬ САМОСТОЯТЕЛЬНОЙ РАБОТЫ СТУДЕНТОВ В

Жоғары оқу орындарында ақпараттық технологияларды оқыту сапасын жақсарту: 

жолдары мен мүмкіндіктері 

 

293

материала.  На  младших  курсах,  где  информатика  является  общим  курсом, 

сильна  тенденция  на  запоминание  изучаемого  материала  с  элементами 

понимания.  Необходимо  высвечивать  внутри  и  междисциплинарные  связи. 

Преемственность  дисциплин  оказывается  весьма  низкой,  часто  кафедры 

гуманитарных  факультетов  не  четко  представляют  возможности  применения 

информационных  технологий  по  своей  специальности.  Знания  студентов,  не 

закрепленные  связями,  имеют  плохую  запоминаемость.  Особенно  опасно  это 

для дисциплин, обеспечивающих фундаментальную подготовку.  

Основная  задача  организации  самостоятельной  работы  студентов  (СРС) 

заключается  в  создании  условий  развития  интеллектуальной  инициативы  и 

мышления на занятиях любой формы. Основным принципом организации СРС 

должен  стать  перевод  всех  студентов  на  индивидуальную  работу.  Цель  СРС  - 

научить  студента  осмысленно  и  самостоятельно  работать  сначала  с  учебным 

материалом, затем с научной информацией, заложить основы самоорганизации 

и  самовоспитания  с  тем,  чтобы  привить  умение  в  дальнейшем  непрерывно 

повышать свою квалификацию. 

При  составлении  лабораторных  работ  необходимо  подбирать  задания 

конкретно  для  данного  факультета  и  специальности,  чтобы  заинтересовать 

студента.  Данные работы  должны  быть  пособием  в  дальнейшей  практической 

деятельности  будущего  специалиста.  Задания  подбираются  для  каждого 

модуля,  но  необходима  их  взаимосвязь,  идти  от  простых  задач  к  более 

сложным,  чтобы  последующие  работы  опирались  на  результаты  предыдущих 

работ. Таким образом составленные практические задания представляют собой 

логически законченный цикл на первом этапе освоения курса информатики. 

Активность работы студентов на обычных практических занятиях может 

быть  усилена  введением  новой  формы  СРС,  сущность  которой  состоит  в  том, 

что  на  каждую  задачу  студент  получает  свое  индивидуальное  задание 

(вариант), при этом условие задачи для всех студентов одинаковое, а исходные 

данные различны. Перед началом выполнения задачи преподаватель дает лишь 

общие  методические  указания.  Выполнение  СРС  на  занятиях  с  проверкой 

результатов  преподавателем  приучает  студентов  грамотно  и  правильно 

выполнять технические расчеты, пользоваться вычислительными средствами и 

справочными  данными.  Изучаемый  материал  усваивается  более  глубоко,  у 

студентов  меняется  отношение  к  лекциям,  так  как  без  понимания  теории 

предмета,  без  хорошего  конспекта  трудно  рассчитывать  на  успех  в  решении 

задачи.  Это  заставляет  студентов  более  ответственно  относиться  как  к 

практическим, так и лекционным занятиям.  

Для проведения занятий необходимо иметь большой банк задач и заданий 

для  СРС,  с  множествами  вариантов,  представляющий  законченный  проект  от 

оформления  в  виде  текстового  документа,  с  соответствующими  расчетами, 

формами  представления  в  виде  презентаций,  отчетов  или  форм.  Результаты 

работ  можно  представить  в  идее  диаграмм  и  таблиц.  База  заданий  для  СРС 

Жоғары оқу орындарында ақпараттық технологияларды оқыту сапасын жақсарту: 

жолдары мен мүмкіндіктері 

 

294

может быть открытой, для последующего пополнения ее новыми интересными 

задачами преподавателями, ведущими этот курс. 

Эти  задания  должны  быть  дифференцированы  по  степени  сложности.  В 

зависимости от дисциплины или от ее раздела можно использовать два пути: 

1. Давать определенное количество задач для самостоятельного решения, 

равных  по  трудности,  а  оценку  ставить  за  количество  решенных  за 

определенное время задач. 

2.  Выдавать  задания  с  задачами  разной  трудности  и  оценку  ставить  за 

трудность решенной задачи. 

По  результатам  самостоятельного  решения  задач  следует  выставлять  по 

каждому занятию оценку.  

На  СРСП  студент  должен  уметь  обосновать  методы  выполнение данной 

работы, делать выводы и заключения. 

По  материалам  модуля  или  раздела  целесообразно  выдавать  студенту 

домашнее  задание  и  на  последнем  практическом  занятии  по  разделу  или 

модулю подвести итоги его изучения (например, провести контрольную работу 

в  целом  по  модулю),  обсудить  оценки  каждого  студента,  выдать 

дополнительные  задания  тем  студентам,  которые  хотят  повысить  оценку. 

Результаты выполнения этих заданий повышают оценку уже в конце семестра, 

на  зачетной  неделе,  т.е.  рейтинговая  оценка  на  начало  семестра  ставится  по 

текущей  работе  только,  а  рейтинговая  оценка  на  конец  зачетной  недели 

учитывает все дополнительные виды работ.  

Для  проведения  промежуточного  контроля  можно  использовать  методы 

экспресс  –  тестирования  [2],  можно  пользоваться  различными  программами 

тестирования,  где  студент  непосредственно  видит  результат  и  при 

необходимости  может  повторить  неусвоенный  материал  того  или  иного 

модуля. 

При  проведении  семинаров  и  практических  занятий  студенты  могут 

выполнять  СРС  как  индивидуально,  так  и  малыми  группами  (творческими 

бригадами),  каждая  из  которых  разрабатывает  свой  проект  (задачу). 

Выполненный  проект  (решение  проблемной  задачи)  затем  рецензируется 

другой бригадой по круговой системе. Публичное обсуждение и защита своего 

варианта  повышают  роль  СРС  и  усиливают  стремление  к  ее  качественному 

выполнению.  Данная  система  организации  практических  занятий  позволяет 

вводить в задачи научно-исследовательские элементы, упрощать или усложнять 

задания. 

В  последние  годы  наряду  с  традиционными  формами  контроля 

достаточно  широко  вводятся  новые  методы,  то  есть  организация 

самостоятельной  работы  студентов  производится  на  основе  современных 

образовательных  технологий.  В  качестве  такой  технологии  часто 

рассматривается  рейтинговая  система  обучения,  позволяющая  студенту  и 

преподавателю выступать в виде субъектов образовательной деятельности, т.е. 

являться партнерами. 

Жоғары оқу орындарында ақпараттық технологияларды оқыту сапасын жақсарту: 

жолдары мен мүмкіндіктері 

 

295

Рейтинговая  система  обучения  предполагает  балльное  оценивание 

студентов.  В  систему  рейтинговой  оценки  включаются  дополнительные 

поощрительные  баллы  за  оригинальность,  новизну  подходов  к  выполнению 

заданий  для  самостоятельной  работы  или  разрешению  научных  проблем.  У 

студента  имеется  возможность  повысить  учебный  рейтинг  путем  участия  во 

внеучебной  работе  (участие  в  олимпиадах,  конференциях;  выполнение 

индивидуальных  творческих  заданий,  рефератов;  участие  в  работе  научного 

кружка и т.д.). При этом студенты, не спешащие сдавать работу вовремя,  могут 

получить  и  отрицательные  баллы.  Вместе  с  тем,  поощряется  более  быстрое 

прохождение  программы  отдельными  студентами.  Например,  если  учащийся 

готов сдавать зачет или писать самостоятельную работу раньше группы, можно 

добавить ему дополнительные баллы. 

Рейтинговая 

система 

обучения 

обеспечивает 

наибольшую 

информационную, 

творческую 

продуктивность 

самостоятельной 

познавательной  деятельности  студентов  при  условии  ее  реализации  через 

технологии 

л 

обучения 

(проблемные, 

диалоговые, 

дискуссионные, 

эвристические, игровые и другие образовательные технологии). 

Большинство  студентов  положительно  относятся  к  такой  системе 

отслеживания  результатов  их  подготовки,  отмечая,  что  рейтинговая  система 

обучения  способствует  равномерному  распределению  их  сил  в  течение 

семестра, 

улучшает 

усвоение 

учебной 

информации, 

обеспечивает 

систематическую  работу  без  во  время  сессии.  Большое  количество 

разнообразных  заданий,  предлагаемых  для  самостоятельной  проработки,  и 

разные шкалы их оценивания позволяют студенту следить за своими успехами, 

и при желании  у него всегда имеется возможность улучшить свой рейтинг (за 

счет 

выполнения 

дополнительных 

видов 

самостоятельной 

работы). 

Использование  рейтинговой  системы  позволяет  добиться  более  ритмичной 

работы студента в течение семестра.  

 

Список литературы: 

 

1.  Правила  организации  учебного  процесса  по  кредитной  технологии 

обучения. Закон Республики Казахстан «Об образовании» от 27 июля 2007 г. № 

319-Ш  

2. Назарбекова К.Т.,  Хакимова  Т.Х.,  Максутова  Б.А.  Вопросы  внедрения 

инновационных  технологий  обучения  на  гуманитарных  факультетах 

университета.  –  Алматы:  Университеты  ХХI  века:  инновации  и  новые 

технологии, 2009. – с. 148-151. 

 

 

 

VISUAL COMPUTING: FUSION OF COMPUTER VISION AND 

COMPUTER GRAPHICS 

 

Prof. Dr. Nailja Luth 

University off Applied Scinces Amberg-Weiden 

Жоғары оқу орындарында ақпараттық технологияларды оқыту сапасын жақсарту: 

жолдары мен мүмкіндіктері 

 

296

n.luth@haw-aw.de 

 

The  purpose of this paper is to  give a summary  of  the integration of  research 

work  in  the  field  of  education.  Two  research-projects  on  the  field  "Visual 

Computing" will be represented. These projects were carried out at the University of 

Applied  Sciences  Amberg-Weiden  in  cooperation  with  the  Fraunhofer-Institute  and 

the  Infineon  Munich  and  were  integrated  within  education.  Some  student  project 

works, diplomas and international publications originated in the framework of these 

projects.  At  first  we  give  a  brief  definition  of  the  fields  „Computer  Vision“  and  

„Computer Graphics”. The fusion of these two fields into a common research area is 

called Visual Computing. It combines the analysis of real image sequences with the 

generation of virtual scene animation.  

In one direction (Computer Vision) - from Real to Virtual: the results of image 

analysis can be visualized using virtual animation. 

Within  the  inverse  direction  (Computer  Graphics)  -  from  Virtual  to  Real:  the 

computer  generated images  und sequences will be used  as test  and training data  for 

the development of image analysis approaches 

The research projects are: 

 Face Mimic Tracking 

 Vision-based driver assistance. 

Both  applications  are  based  on  the  automatic  tracking  of  moving  image 

features, recognition of the main patterns and the visualization using virtual models.  

We  have  avoided  the  discussion  of  implementation  details.  The  emphasis  lies  on 

describing underlying concepts rather than on presenting algorithms. 

 

1. Visual Computing 

"Visual  Computing"  includes  the  areas  Computer  Vision  and  Computer 

Graphics, in that a narrow connection of methods and data proceeds. The applications 

of  the computer graphics  (CG),  like  simulations  or  computer  games,  are  aimed  to 

generate images as realistic as possible. That means the observer can no longer easily 

distinguish,  whether  an  image  is  captured  from  real  world  or  computer  generated. 

These  images  are  built  from  simple  graphic  primitives,  like  straights,  triangles  or 

polygon  meshes.  3D-effects  will  be  achieved  using  geometrical  transformations, 

surface  texturing  and  illuminations.  The  way  of  the  computer  graphics  is  the 

synthesis,  from  simple  graphic  objects  to  the  digital  image  with  a  pseudo  realistic 

scene.An  analytic  way  is  applied  in  the  computer  vision  (CV):  Going  out  from 

digital  images,  consisting  from  pixels,  to  extract  logically  connected  image 

components  and  to  describe  them  on  a  higher  object  level.  The  CV-approaches  are 

aimed to describe the image content. The goals of both areas CV and CG are directed 

inversely:    In  the  computer  vision  an  abstract  image  description  will  be  generated 

from  a  digital  image  and  in  the  computer  graphics  a  synthetic  image  is  generated 

from  the  formal  scene  description.The  developed  approaches  of  CV  and  CG  act  in 

our two projects. It is exactly the joint use approaches that hold the greatest potential 

for  applications.  This  cross-disciplinary  link  is  so  vigorous  that  it  spawns  a  new 

Жоғары оқу орындарында ақпараттық технологияларды оқыту сапасын жақсарту: 

жолдары мен мүмкіндіктері 

 

297

discipline – Visual Computing. 

 

Visual Computing 

 

Figure 1 - Schema of Visual Computing 

The main features in both projects are:In “Vision based driver assistance” – the 

Integration  of  synthetic  CG-Images  in  CV-recognition  process;In  “Face  Mimic 

Tracking” – the integration of CV-tracked features in the virtual face animation. 

2. Integration of synthetic CG-Images in CV-recognition process

 

The development of robust approaches for the image recognition requires a big 

variety  of  training  and  test  images,  especially  the  recording  of  dynamic  outdoor 

scenes. Here, the problems lie in the varied composition of static and moved rigid and 

non-rigid  objects,  different  illumination  situation  and  different  atmospheric  and 

weather conditions.  In many cases the image acquisition cannot be carried out using 

conventional  technical  optical  systems  in  a  realistic  time  and  expenditure.    The 

synthetic  computer  generated  CG-images  can  be  generated  as  real  alternative  test 

images.  The  use  of  the  3D-computer  graphics  enables  the  generation  of  pseudo 

realistic images and animations on the basis of the perfect simulation of dynamic 3D-

scenes, weather and illumination variety as well as the camera simulation. 

The  goal of  the  computer  graphics  must  be  that the  result  of computer vision 

with  CG-images  is  the  same  like  with  real  test  images.  The  natural  environment 

produces difficulties with the generation of pseudo-realistic images with its enormous 

detail  variety  and  the  complex  illumination  and  reflection  situations,  just  as  the  too 

perfect  look  of  CG-images.  That  is  normally  the  reason  that  the  computer  vision 

approaches as applied to CG-images delivers better results as in the reality. In order 

to  avoid  this  learning  effect  after  the  first  tests,  a  validation  of  CG-images  is 

necessary on the basis of real captured images.  

To reach that fact of CG-images being hardly distinguishable from real images, 

a very time expensive process must always be driven. In order to reproduce the 3D-

objects  of  the  natural  environment  as  exactly  as  possible,  a  very  big  number  of 

polygon  meshes  is  necessary.  The  realistic  representation  of  complex  surfaces  and 

illumination effects requires a high number of photo-textures, relief-textures, shadow-

textures, just as time intensive calculation of illumination models. The smoothing of 

sharp  edges  can  be  done  using  the  Anti-Aliasing  algorithm,  i.e.  a  lowpass  filtering. 

Air pollution and other atmospheric effects can be simulated with help of fog. The list 

of  needed  approaches  to  the  increase  of  the  reality  level  of  computer  generated 

images is very long. 

3. Integration of CV-tracked features in the virtual face animation

 

Image 

Description 

Image 

Computer 

Vision 

Computer 

Graphics 

Жоғары оқу орындарында ақпараттық технологияларды оқыту сапасын жақсарту: 

жолдары мен мүмкіндіктері 

 

298

The ability to model the human face and then to animate the subtle nuances of 

facial  expressions  remains  a  significant  challenge  in  computer  graphics.  The  facial 

animation may be viewed as the manipulation of a set of control points. These control 

points are defined in the MPEG4 Facial Animation system. Performance-based face 

animation  involves  the  use  of  information  derived  by  measuring  real  human  face 

actions to drive virtual face. These measuring of real control points  - feature points - 

can  be  provided  using  camera-based  motion  tracking  system  –  shortly  Motion 

Capture.The feature points (sometimes like landmarks) will be automatically tracked 

in  the  camera  captured  images  of  a  real  human  face.  The  results  of  moving  vectors 

will be transferred to corresponding feature points of a virtual face.  

4. Project 1: Face Mimic Tracking 

The  important  applications  of  face  mimic  processing  are  Human  Computer 

Interactions, User Behaviour as well as Face Expressivities. It is based on the premise 

that  information  about  user’s  emotional  state  can  be  extracted  from  images  and  the 

computers can then react accordingly, e.g. by observing a human facial expressions. 

The main idea is based on the “on-line” real coding of motions of facial features. The 

process involves at first the image analysis to estimate local and global face feature 

motions  and  then  the  mimic  classification.  The  classification  can  be  followed  by 

mimic  synthesis  or  realistic  virtual  face  animation.  This  is  a  challenging  problem 

because human faces are highly flexible with high degree of variability in size, shape, 

colour and texture. The experiments summarised in this paper are concentrated on the 

feature  tracking  and  classification.  The  feature  points  correspond  to  the  partial 

amount  of  the  in  the  MPEG-4  Facial  Animation  Standard  fixed  points,  especially 

High-Level  FAPs  corresponds  exactly  to  the  6  prototyping  face  mimics,  as  joy, 

sadness,  anger,  fear,  disgust  and  surprise.  MPEG-4  FA  builds  the  interface  into  the 

face synthesis and animation, based on the estimated FPs and FAPs. 

Project description 

The project is developed in the cooperation between the University of Applied 

Sciences Amberg-Weiden and the Fraunhofer Institute Erlangen. In the framework of 

that  research  intention  the  own  MIMIX  video  database  was  created  and  is 

permanently  expanded.  The  MIMIX  database  contains  six  prototype  human  facial 

expressions: joy, sadness, anger, surprise, disgust and fear. In opposite to the Cohn-

Kanade Facial Expression database no expert trained the subjects of the test. Glasses 

were  not permitted, but  makeup and  hair  that  falls  over  the  eyes  were  allowed.  For 

the  different  capture  shots  it  was  taken  care  of  constant  illumination  and  static 

background.  Every  facial  expression  starts  from  neutral,  goes  to  the  maximum  and 

ends  neutral  again.  The  capture  of  the  synchronised  frontal  and  profile  images  is 

performed  using  a  dual  camera  system.  The  dual  images  frames  are  embedded  as 

single  streams  into  a  two-stream  AVI  container.    Our  system  for  the  recognition  of 

six facial expressions can be divided into three main parts: Feature Extraction, Mimic 

Visualization and Mimic Classification . 

жүктеу/скачать 11,62 Mb.

Достарыңызбен бөлісу: