计算机视觉个性化教学研究

李慧 曹阳 张金区 王兴芳

*项目来源：2022年教育部产学合作协同育人项目“基于计算机视觉的个性化教学研究与实践”（基金编号：220805384251228）；

华南师范大学智能基座基地建设专项“《计算机视觉》课程教学改革”。

作者简介：李慧，博士，副教授。

DOI：10.3969/j.issn.1671-489X.2024.10.030

摘  要  针对目前计算机视觉教学存在的问题，特别是学生学习的个体差异性，提出从构建体系化教学内容、创新教育方法、扩展多层次实验教学、过程化教学考核等方面进行计算机视觉教学改革，介绍具体教学的改革实践，展示课程改革效果。

关键词  计算机视觉；个性化教学；教学改革；人工智能

中图分类号：G642.0    文献标识码：B

文章编号：1671-489X（2024）10-0030-03

0  引言

当前，人工智能已经成为大国竞争的焦点[1]。2016年以来，我国将人工智能领域建设提升至关乎国家竞争力、国家安全的重大战略[2]。视觉作为现代人工智能系统不可或缺的重要组成部分，是未来人工智能技术发展的重要方向。在人工智能生态系统中占据战略制高点，迫切需要培养大批计算机视觉技术人才。

1  计算机视觉课程教学面临的挑战

计算机视觉作为人工智能专业的必修课，其目的是使得学生掌握计算机视觉相关理论技术，增强对视觉数据的洞察力与解决视觉问题的创新能力。当前，计算机视觉课程教学面临以下挑战。

1.1  计算机视觉是交叉学科，知识点广而深

计算机视觉涉及心理学、数学、哲学、生物学、计算机科学等多个学科，内容广泛，且理论较为抽象。对于学生来讲，繁杂、深奥的各项知识点难以理清。如何将知识点形象化地呈现，并能有机地串联在一起，是教师在教学过程中着重思考的问题。

1.2  计算机视觉是快速发展的学科，知识更新快

计算机视觉课程内容的不断丰富，对教师课程内容的组织和学生的学习能力均提出挑战。计算机视觉课程的教学不能仅仅以讲解教材基础理论为主，应紧跟计算机视觉发展的最新理论和技术前沿，紧密联系实际应用，促进对学生的实践能力、创新能力及科研能力的培养。面对大量碎片化、未成体系的新技术，学生易出现畏难、逃避等消极情绪，专注力难以持久、课堂学习效果不佳。构建具备完整性、逻辑性、系统性和先进性的知识架构，探索多样化教学模式，促进学生保持整个学期的学习热情，是解决问题的关键。

1.3  计算机视觉是实践型的学科，需要理论知识和实践应用相结合

该课程的原理具有抽象性，应用具有很强的实践性。目前的实际教学过程中，大多数教师以理论讲授为主，实验教学内容与企业需求脱节，这与实行产学研用协同育人的人才培养理念相矛盾。在实验教学中，引入企业真实生产需求，利用所学的计算机视觉、计算机技术等知识，设计开发能真实运行的计算机视觉系统，不仅有利于培养学生解决真实问题的能力，还能提升学生对课程的参与程度与学习兴趣。

1.4  学生存在个性化和差异化

学生的学习基础、学习能力、学习效率等存在差异，单一的课堂内容、单一的教学模式和单一的实验内容难以达到好的学习效果。教师要研究和开展个性化教学，构建多层次教学内容、手段和过程化评价体系，做到因材施教，为国家培养更多具有可持续竞争力的人才。

总之，以计算机视觉学科发展及社会需求为导向，构建多层次、系统性和先进的教学内容，探索符合个性化教学的新型教学模式，培养学生发现问题、解决问题的能力，对培养新时代创新型人才具有重要意义。

2  满足个性化教学的计算机视觉教学改革

计算机视觉课程将从线下到线上展开，重视基础知识体系构建的同时，紧跟时代专业发展，引入睿数科技海豚人工智能大数据实验实训平台和计算机视觉项目实战，完善配套教学资源，采用多元化的考评方式，使得学生具备运用计算机视觉技术解决实际问题的能力。

2.1  课程改革目标

2.1.1  知识目标

通过课程的系统学习，学生清晰了解计算机视觉基础知识，理解计算机视觉系统的原理，掌握相关开发技术，具备从事计算机视觉相关专业所需的专业知识。

2.1.2  能力目标

激发学生对于计算机视觉，特别是其应用技术的认识、了解和兴趣，使得学生具备应用计算机视觉知识分析、解决复杂工程问题的能力。

2.1.3  素质目标

学生能够以小组的形式进行综合性课程项目设计并评价其性能，培养自主学习、团队协作、创新进取的能力，做到科学求真、不断挑战。

2.2  改革措施

2.2.1  教学内容体系化

教学资源分为自建资源和网络资源。

自建资源是教师根据课程教学大纲和人才培养方案，充分挖掘每章节知识点和思政元素，精心设计课程资源，并依托线上教学平台发布。自建资源分为先导资源、必修资源和扩展资源。先导资源主要针对基础薄弱的学生，通过先导资源的学习补充必要的基础知识，以便理解和掌握必修知识点。比如数字图像处理课程是计算机视觉课程的先修课程，由于培养方案的调整，人工智能专业去掉了数字图像处理课程，先导资源中引入数字图像处理的相关知识，有利于学生对很多知识背景的了解。必修资源主要指本单元学习时必须掌握的知识。扩展资源主要是相关知识的发展、新技术和新应用，学有余力的学生通过资源的引导，可以继续在本专题深耕，激发学习热情和创造力。同时设置“资源共享”区域鼓励学生分享和讨论，营造好的学习氛围。

网络资源是指MOOC等优质开放教育资源，带动学生形成更多的教学创新。实验体系中引入睿数科技海豚人工智能/大数据实验实训平台和华为ModelArts一站式开发平台，开发不同知识点、不同难度的实验题目以及多种工业场景、持续训练的实践课题，从而为学生提供多维度、进阶式实验学习途径，满足不同学生的个性化学习要求，使学生的分析问题能力、建模能力和编程能力得到螺旋式

提升。

2.2.2  教学方式多样化

以学生为中心，通过教育理念的创新推动教学方式以及教学技术的全面创新。在线下授课过程中，根据教学情况和学生情况灵活使用问题驱动、启发式、案例式教学，实现从知识传授到知识内化的转化。在线上学习中，教师引导学生利用网络资源进行课前自主学习、课后复习和拓展学习。最终实现学生的课前线上自主学习，课中主动、探究式学习，课内实验强化知识应用，课后巩固所学知识；课外项目拓展，培养高阶思维能力。在实验学习过程中，引入睿数科技所提供的海豚人工智能/大数据实验实训平台和华为ModelArts一站式开发平台作为线上实验平台，以课程实验与课程项目的形式推动学生进行实训，结合平台提供的海量行业案例以及课程所设计的特色案例在平台的Juypter编程环境中进行动手实践。鼓励学生积极参加各类比赛，撰写学术论文，让学生实现真正的学以致用，培养探究精神、创新精神以及动手能力。

2.2.3  教学评价过程化

为确保教学质量与课程学习完课率，强调过程考核和学生形成性评价，建立多元过程化考核体系考核学生素质和能力达成度。教学过程中采用多级管理、学习预警、落实到人的过程性管理。多级管理中教师负责课堂学习、线下学习和线上实验的整体把控，利用在线学习平台、课程通信群及时解答学生学习疑惑，并发布各类通知通告，引导学生按时、按量、优质地完成各类知识点的学习。学习委员或班长负责班级学生的学习考勤，辅助教师督促同学们的学习进度；课程设计中划分学习小组，小组长负责组内沟通，促进项目的有序进展，对每位成员的表现进行评价。定期发布学生的学习状态数据（线下考勤、在线学习时长、作业或实验得分等），并对没有及时完成学习任务的学生发送警示信息；对于多次没有参与学习、学习质量不高的学生采取面对面的沟通。实践教学依托睿数科技海豚实验室人工智能/大数据实验实训平台和华为ModelArts一站式开发平台展开，平台中教学管理功能跟踪教学实践过程，对学生的实验学习进度、学习效果进行监控与管理。

3  满足个性化教学的计算机视觉教学实施

3.1  计算机视觉理论教学

计算机视觉课程理论总共48个学时，教学内容分为图像特征提取、图像分割、特征匹配、运动视觉、立体视觉和视觉模式识别等模块，每个模块又涉及众多计算机视觉知识点。为了在有限的时间内构建好课程知识体系，又兼顾学生特点和个性，对课程知识点进行分割和组织，建设线上学习平台。教学中基于案例提出问题，引导学生思考和交流，带着问题学习相关理论知识。教师讲解涉及的概念、基本原理和方法、技术发展趋势和热点问题，平台上提供先导资源、教案资源和进阶资源。学生通过先导资源的学习，弥补基础的不足；通过查阅教案资源巩固线下课堂学习效果。学有余力的学生依托进阶资源实现学习的纵深。

3.2  计算机视觉实验教学

计算机视觉实验教学在睿数科技海豚实验室人工智能/大数据实验实训平台和华为ModelArts一站式开发平台完成。设计必做与选做相结合的递进式实验，为学生提供多维度、进阶式学习实践途径，锻炼学生编程能力和计算思维能力。针对图像特征提取、图像分割等重点教学内容，分别设计图像梯度、图像轮廓、图像金字塔、Canny边缘检测、分水岭法图像分割、霍夫变换等多个必做实验。视觉识别作为教学的重点和难点内容，具有应用范围广、实现复杂等特点，设计人脸识别、人体姿势识别、道路检测等实验，学生可以自选其中两项完成。

此外，还设计了图像阈值处理、图像平滑处理等多个基础实验，作为选做实验提供给课程知识背景薄弱的学生。设计具有实际应用背景的课程项目，分小组来完成，培养学生综合应用知识的能力、分析问题和解决问题的能力以及团队合作能力。通过在线实验平台，学生可以随时随地进行练习，随时检验学习成效，提高学习效率。

4  教学评价与反思

基于个性化的计算机视觉课程目前开设了两个周期，取得较好的教学效果，图1所示是课程目标达成度。从图中可以看出目标3的达成度为77%，相对低，反映出学生实验和解决复杂工程问题的实践能力、运用计算思维来分析问题和解决问题的能力仍需加强。

4.1  理论教学情况

理论教学效果调查通过在线调查问卷进行，问卷从教师的工作态度、教学理念、教学方法、内容组织等方面（表1）进行理论课程教学满意度评价。面向52名学生，收到有效问卷45份，学生对于理论教学质量满意度达到98%。

4.2  实验教学情况

对学生实验情况进行统计，结果显示52位学生在实验平台共学习1 712次，总实验学习时长856小时，每位学生平均学习时长16小时，实验总完成率为84.3%，表明学生基本上完成实验要求。但是将所有实验都完成的学生比例只有37.74%，62.26%的学生存在部分实验未完成的情况。进一步统计发现，大部分学生在视觉识别部分的实验未完成，这表明基于实际应用的项目化实验对学生具有一定挑战性，在未来的教学中需要进一步完善实验指导。

5  结束语

新时代需要培养实践能力强、创新能力强的高素质复合型人才[3]。在计算机视觉教学过程中，采取个性化分层的创新型人才培养方式，以适应人工智能时代对人才知识结构的需要。目前的计算机视觉教学评价较好，但是也存在学生解决复杂工程问题的实践能力不足的问题，需要在今后的教学实践中将继续探索教学改革方法，完善教学内容，全面调动学生学习积极性。

6  参考文献

[1] 周俊伟，朱安娜，王亮亮，等.面向国产MindSpore平台与Atlas 200的计算机视觉教学改革[J].计算机教育，

2022（4）：56-60.

[2] 陈维维.多元智能视域中的人工智能技术发展及教育应用[J].电化教育研究，2018，39（7）：12-19.

[3] 艾明晶，孙青，万寒，等.面向赋能教育的大学计算机个性化教学研究[J].计算机教育，2022（5）：169-175.