期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于TAR-YOLO的轻量化学生课堂行为检测算法
1
作者 李金龙 郑霖 +1 位作者 王浩宇 季伟东 《软件导刊》 2025年第9期189-198,共10页
实时、准确地对学生课堂行为进行检测存在许多挑战,教室场景中存在的大量遮挡和教学图像中后排的小目标是阻碍检测精度提高的重要因素。同时,教室中性能受限的摄像头限制了可部署目标检测模型的计算量和参数量。针对以上问题,提出一种... 实时、准确地对学生课堂行为进行检测存在许多挑战,教室场景中存在的大量遮挡和教学图像中后排的小目标是阻碍检测精度提高的重要因素。同时,教室中性能受限的摄像头限制了可部署目标检测模型的计算量和参数量。针对以上问题,提出一种基于改进YOLOv8的学生课堂行为检测模型TAR-YOLO。首先,提出一个结构新颖的任务对齐动态检测头(TAPH),其中共享卷积和任务对齐结构的设计增强了模型识别小目标的能力。其次,在特征融合部分引入层次化特征聚合的部分卷积(MSFAP)来改造YOLOv8特征提取模块,并使用重参数化的空洞残差卷积(R-DWR)来增强模型的多尺度特征能力,有效降低了模型的计算量和参数量。最后,构建一个用于检测7种学生课堂行为和3种教师课堂行为的数据集STCB,包含4242张图像和74571个标注。在该数据集上,TAR-YOLO模型的平均精度(mAP50)达到了79.5%,同时参数量和计算量只有7.0 G和1.8 M。为进一步验证模型在其他场景中的小目标检测能力,在PASCAL VOC数据集上进行实验,验证了该方法的泛化性能。 展开更多
关键词 目标检测 学生课堂行为识别 轻量化模型 深度学习
在线阅读 下载PDF
基于EasyDL的学生课堂行为分析系统 被引量：1
2
作者 段尊敬 《电脑知识与技术》 2025年第10期57-60,共4页
文章借助百度的EasyDL深度学习平台,构建了学生课堂行为识别模型,并以该模型为核心自主开发了相关辅助模块,进而形成了完整的智能化课堂行为分析系统。该系统通过模型的服务接口接收课堂图像,能够实时识别学生的离座、侧身、玩手机等行... 文章借助百度的EasyDL深度学习平台,构建了学生课堂行为识别模型,并以该模型为核心自主开发了相关辅助模块,进而形成了完整的智能化课堂行为分析系统。该系统通过模型的服务接口接收课堂图像,能够实时识别学生的离座、侧身、玩手机等行为,并对学生课堂行为进行整体分析与画像。这种基于EasyDL平台的开发模式高效且易于实施,为深度学习算法的推广应用提供了新思路。 展开更多
关键词 学生课堂行为识别 深度学习算法 EasyDL平台
在线阅读 下载PDF
基于CNN-GRU模型的学生课堂行为与教学质量分析研究 被引量：2
3
作者 刘经纬 王则渊 《中国管理信息化》 2024年第13期195-197,共3页
在当前社会背景下,深度学习方法在教育领域的应用研究显得尤为关键。而课堂教学作为教学工作中最重要的一环,学生的课堂行为直接反映了教学效果和教育质量。首先,本研究采集学生课堂行为的图像数据。其次,通过CNN-GRU模型,识别和分析学... 在当前社会背景下,深度学习方法在教育领域的应用研究显得尤为关键。而课堂教学作为教学工作中最重要的一环,学生的课堂行为直接反映了教学效果和教育质量。首先,本研究采集学生课堂行为的图像数据。其次,通过CNN-GRU模型,识别和分析学生在课堂中的行为。最后,通过获取的学生行为信息,了解学生学习状态和需求。深入研究学生课堂行为希望为提高课堂教学质量提供重要支持,从而为社会培养更具竞争力的人才,推动社会进步。 展开更多
关键词 深度学习 神经网络模型 CNN-GRU 学生课堂行为识别
在线阅读 下载PDF
基于视觉注意力的学生课堂行为分析 被引量：6
4
作者 夏道勋 田星瑜 唐胜男 《贵州师范大学学报（自然科学版）》 CAS 2021年第4期83-89,120,共8页
学生课堂行为分析可实时反映出学生的课堂学习情况,为优化课堂教学策略和改进教学方法提供了重要依据,探索如何利用机器实时地检测与识别学生课堂行为是智慧教室的重要任务。以视觉显著性的视觉心理学动机为切入点,引入全局视觉显著性... 学生课堂行为分析可实时反映出学生的课堂学习情况,为优化课堂教学策略和改进教学方法提供了重要依据,探索如何利用机器实时地检测与识别学生课堂行为是智慧教室的重要任务。以视觉显著性的视觉心理学动机为切入点,引入全局视觉显著性机制和BING特征,快速估计课堂视频流中的Objectness学生对象,采用Faster-RCNN模型和时空网络算法对8种典型学生课堂行为进行检测和识别,最后进行全样本学生课堂行为分析。实验结果表明,视觉注意力机制BING特征的引入能大幅度提升算法的实时数据处理能力,计算效率提升近80倍,约为12.5f/s,算法并对8种典型学生课堂行为的检测和识别具有较高的识别精度,平均准确率为87.6%。 展开更多
关键词 视觉注意力 学生课堂行为检测 学生课堂行为识别 机器视觉 行为分析
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部