期刊导航
期刊开放获取
上海教育软件发展有限公..
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
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
检索
高级检索
期刊导航
共找到
3
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：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
智慧教育下基于改进YOLOv8的学生课堂行为检测算法
被引量：
7
1
作者
曾钰琦
刘博
+1 位作者
钟柏昌
钟瑾
《计算机工程》
CAS
CSCD
北大核心
2024年第9期344-355,共12页
为了加快教育的数字化转型,人工智能技术融入教与学全过程行为的精准分析与实证应用已成为当前的研究热点。针对目前学生课堂行为检测中存在的检测精度低、目标框密度高、重叠遮挡严重、尺度变化大以及数据量不平衡等问题,创建学生课堂...
为了加快教育的数字化转型,人工智能技术融入教与学全过程行为的精准分析与实证应用已成为当前的研究热点。针对目前学生课堂行为检测中存在的检测精度低、目标框密度高、重叠遮挡严重、尺度变化大以及数据量不平衡等问题,创建学生课堂行为数据集DBS Dataset,并提出一种基于改进YOLOv8的学生课堂行为检测算法VWE-YOLOv8。首先引入注意力机制CSWin-Transformer,增强模型对图像全局信息的提取能力,提高网络的检测精度;然后集成大可分离核心注意力(LSKA)模块到SPPF架构中,增加模型在多尺度目标上的识别能力;接着将遮挡感知注意力机制融入到检测头的设计中,将原有的Head结构修改为SEAMHead,实现模型对遮挡物体的有效检测;最后引入权重调整函数Slide Loss来处理样本不均衡问题。实验结果表明,与YOLOv8相比,在DBS Dataset和公开数据集SCB Dataset上,改进后VWE-YOLOv8的mAP@0.50分别提高了1.16%、1.70%,mAP@0.50∶0.95分别提高了7.36%、2.13%,精度分别提升了4.17%、6.74%,召回率分别提升了1.96%、3.13%,说明该算法具有更高的检测精度和较强的泛化能力,能够胜任学生课堂行为的检测任务,有力支撑智慧教育应用,助力教育数字化转型。
展开更多
关键词
智慧教育
学生行为检测
目标
检测
注意力机制
大可分离核心注意力模块
在线阅读
下载PDF
职称材料
改进的多目标回归学生课堂行为检测方法
被引量：
15
2
作者
刘新运
叶时平
张登辉
《计算机工程与设计》
北大核心
2020年第9期2684-2689,共6页
为解决常见行为识别方法在学生目标密集、姿态多样、遮挡率高的课堂场景中难以有效应用的问题,提出一种改进的多目标回归学生课堂行为检测方法。根据检测任务建立课堂视频均匀采样数据集,为适应课堂场景中多变的学生目标尺寸,设计多尺...
为解决常见行为识别方法在学生目标密集、姿态多样、遮挡率高的课堂场景中难以有效应用的问题,提出一种改进的多目标回归学生课堂行为检测方法。根据检测任务建立课堂视频均匀采样数据集,为适应课堂场景中多变的学生目标尺寸,设计多尺寸输出的神经网络并使用聚类方法生成预选框,采用两段式训练策略,优化模型中的各项参数,提出优化训练方案。实验结果表明,该方案有效提高了模型训练速度,提升了模型的性能。
展开更多
关键词
课堂场景
学生行为检测
多目标回归
两段式训练
模型性能
在线阅读
下载PDF
职称材料
基于视觉注意力的学生课堂行为分析
被引量：
5
3
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
职称材料
题名
智慧教育下基于改进YOLOv8的学生课堂行为检测算法
被引量：
7
1
作者
曾钰琦
刘博
钟柏昌
钟瑾
机构
华南师范大学教育信息技术学院
出处
《计算机工程》
CAS
CSCD
北大核心
2024年第9期344-355,共12页
基金
国家留学基金项目(202206755007)
华南师范大学教学改革项目(20210217)
华南师范大学金种子课题(23JXKA04)。
文摘
为了加快教育的数字化转型,人工智能技术融入教与学全过程行为的精准分析与实证应用已成为当前的研究热点。针对目前学生课堂行为检测中存在的检测精度低、目标框密度高、重叠遮挡严重、尺度变化大以及数据量不平衡等问题,创建学生课堂行为数据集DBS Dataset,并提出一种基于改进YOLOv8的学生课堂行为检测算法VWE-YOLOv8。首先引入注意力机制CSWin-Transformer,增强模型对图像全局信息的提取能力,提高网络的检测精度;然后集成大可分离核心注意力(LSKA)模块到SPPF架构中,增加模型在多尺度目标上的识别能力;接着将遮挡感知注意力机制融入到检测头的设计中,将原有的Head结构修改为SEAMHead,实现模型对遮挡物体的有效检测;最后引入权重调整函数Slide Loss来处理样本不均衡问题。实验结果表明,与YOLOv8相比,在DBS Dataset和公开数据集SCB Dataset上,改进后VWE-YOLOv8的mAP@0.50分别提高了1.16%、1.70%,mAP@0.50∶0.95分别提高了7.36%、2.13%,精度分别提升了4.17%、6.74%,召回率分别提升了1.96%、3.13%,说明该算法具有更高的检测精度和较强的泛化能力,能够胜任学生课堂行为的检测任务,有力支撑智慧教育应用,助力教育数字化转型。
关键词
智慧教育
学生行为检测
目标
检测
注意力机制
大可分离核心注意力模块
Keywords
smart education
student behavior detection
object detection
attention mechanism
Large Separable Kernel Attention(LSKA)module
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
改进的多目标回归学生课堂行为检测方法
被引量：
15
2
作者
刘新运
叶时平
张登辉
机构
常州大学信息科学与工程学院
浙江树人大学信息科技学院
出处
《计算机工程与设计》
北大核心
2020年第9期2684-2689,共6页
基金
浙江省自然科学基金项目(LY16F020021)。
文摘
为解决常见行为识别方法在学生目标密集、姿态多样、遮挡率高的课堂场景中难以有效应用的问题,提出一种改进的多目标回归学生课堂行为检测方法。根据检测任务建立课堂视频均匀采样数据集,为适应课堂场景中多变的学生目标尺寸,设计多尺寸输出的神经网络并使用聚类方法生成预选框,采用两段式训练策略,优化模型中的各项参数,提出优化训练方案。实验结果表明,该方案有效提高了模型训练速度,提升了模型的性能。
关键词
课堂场景
学生行为检测
多目标回归
两段式训练
模型性能
Keywords
classroom scene
student action detection
multi-objective regression
two-stage training
model performance
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于视觉注意力的学生课堂行为分析
被引量：
5
3
作者
夏道勋
田星瑜
唐胜男
机构
贵州师范大学大数据与计算机科学学院
贵州师范大学贵州省教育大数据应用技术工程实验室
出处
《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
基金
国家自然科学基金项目(61762023)
贵州省教育科学规划课题(课题编号:2016A055)。
文摘
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%。
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
Keywords
visual attention
detection of students behavior
identification of students behavior
machine vision
behavior analysis
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
智慧教育下基于改进YOLOv8的学生课堂行为检测算法
曾钰琦
刘博
钟柏昌
钟瑾
《计算机工程》
CAS
CSCD
北大核心
2024
7
在线阅读
下载PDF
职称材料
2
改进的多目标回归学生课堂行为检测方法
刘新运
叶时平
张登辉
《计算机工程与设计》
北大核心
2020
15
在线阅读
下载PDF
职称材料
3
基于视觉注意力的学生课堂行为分析
夏道勋
田星瑜
唐胜男
《贵州师范大学学报（自然科学版）》
CAS
2021
5
在线阅读
下载PDF
职称材料
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部
