Multi-Channel-Learning (MCL)

Lerneinheiten müssen stark variierenden Anforderungen gerecht werden. Neben unterschiedlichen Lerntypen spielen vor allem auch die Umfeldbedingungen eine wesentliche Rolle, in denen Lernprozesse stattfinden. Faktoren wie z. B. die Tagesform führen letztlich dazu, dass nicht einmal für eine einzelne Person konstante Lernpräferenzen herrschen. Mit diesem Beitrag wird vorgeschlagen, zur Lösung des Problems einer Mehrkanalstrategie zu folgen. Allerdings sind spezifische Eigenschaften von Learning-Content-Systemen (LCS) notwendig, um ein sog. Multi-Channel-Learning (MCL) zu ermöglichen. Diese Eigenschaften werden im Beitrag anhand von Informationsmodellen beschrieben werden. Sie sollen als Referenzmodell dienen, das sowohl bei der Entwicklung als auch bei der Auswahl und Anpassung von LCS hilfreich sein kann. Das Referenzmodell wird deduktiv abgeleitet und anhand praktischer Anwendungen geprüft. Vorgestellt werden sowohl Anwendungs- als auch Organisationssysteme, die nach dem Modell realisiert worden sind. Auf dieser Grundlage kann schließlich eine Nutzenabschätzung des Modells für das Multi-Channel-Learnings vorgenommen werden.

Predictive-DCT Coding for 3D Mesh Sequences Compression

This paper proposes a new compression algorithm for dynamic 3d meshes. In such a sequence of meshes, neighboring vertices have a strong tendency to behave similarly and the degree of dependencies between their locations in two successive frames is very large which can be efficiently exploited using a combination of Predictive and DCT coders (PDCT). Our strategy gathers mesh vertices of similar motions into clusters, establish a local coordinate frame (LCF) for each cluster and encodes frame by frame and each cluster separately. The vertices of each cluster have small variation over a time relative to the LCF. Therefore, the location of each new vertex is well predicted from its location in the previous frame relative to the LCF of its cluster. The difference between the original and the predicted local coordinates are then transformed into frequency domain using DCT. The resulting DCT coefficients are quantized and compressed with entropy coding. The original sequence of meshes can be reconstructed from only a few non-zero DCT coefficients without significant loss in visual quality. Experimental results show that our strategy outperforms or comes close to other coders.