第三届多媒体教学软件大赛比赛心得

比赛名称:第三届多媒体教学软件大赛

比赛时间:2014年6月25日

比赛结果:微课、教学网站组第三名

心得:

    第三届多媒体教学软件大赛已经结束。虽然比赛结果和心中的预期有所出入,但是这次比赛让我感触很多。收获的东西远远比名次更加重要。


一、因需求引发制作动机

   我们在做一个作品之前,首先需要理解我们做作品的目的。如果市面上已经拥有了类似的网站,而我们的作品没有很大的提高的话,我们的作品将成为废品。

例:

     如今,魔方正以其益智、健身、健脑的特点被人们重新认识,玩魔方更是成为了象征智慧和时尚的休闲运动。然而现有的魔方网络平台,却不能满足魔方爱好者对于魔方学习的进阶过程的需求。因此我开发了一款基于任务驱动的学习平台——魔方教学交流平台。


二、专业性体现在细节

            这次比赛的展示出现了一些问题,电脑连接投影仪时鼠标出现了异常,不能输入网址,也不能打开ppt。这种情况是我第一次遇到,但是身为“教育技术专业人士”,在教师和学弟们的面前,我没有亲自解决,这就是这次比赛的一大败笔。

       撇开问题的解决办法本身不谈,它也考验了作为一名“准教师”在展示环节的“机智”。如何迅速的做出,出现问题后的抉择,这一点至关重要。


三、工作量的展示

       这次的另一个教训是,没有将自己的“工作量”向评委展示。

        我的作品,首页特色为简洁,便于用户导航检索,于是没有增添数据的动态更新。可这一点会被认为,相对于他人作品来说,我的作品制作的更为简单。

        其实,在这一个月的制作和完善中,工作量还是相当大的。做成平台后,不断询问老师同学,获得反馈结果,再不断改进。可,这一点评委看不到。若能将工作量进行简单的分步骤讲述,或许能够让评委更认同。

        其实,若没有做到系统的完善,仅仅在导航中增加了一些模块的名称,在展示时也能投机取巧。这并非贬义,展示本来就是“包装和推广”。

四、竞争

       通过这次比赛,我感受到了“竞争”所带来的压迫感。我们作品特色各有千秋。命运的轮盘仿佛随时会有变数。因此我们在听天命的同时,要关注好自己环节的每一方面,一丝不苟。


五、团队合作

       我的弱势在于言语表达,对于短短6分钟的展示是一场硕大的考验。如果之前,我能够正视自己的弱点,做到合理的团队合作,寻找善于表达的伙伴。也许这将是最好的组合。


六、展示形式

        在这次展示的时,我开始紧张。原因不是之前电脑所出现的故障,而是所有评委老师都在“多任务处理”(刷空间、看短信)。但是,不同的是,当大二的学弟展示微课的时候,所有评委老师都被吸引住了。这体现到不同的展示形式所引起的截然不同结果。这就能够解释“一只飞鸟比PPT更感兴趣”的原因。作品如产品,产品的好坏不仅依靠其本身,还包括了对产品的包装。一个成功的舆论往往离不开众多的推手。

        除了这次分发的PPT辅助文件(对平台展示的拓展)外,应思考的还有很多,要学习的也很多。若将展示环节,转换成“微视频与平台展示相组合的形式,展示效果也许会变得更出色。




                



  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值