改进YOLOV5目标检测模型的实时抽烟检测方法

抽烟目标的实时检测难以在实际场景中应用,主要原因是终端设备成本低,能够承载的模型计算量十分有限,难以同时兼顾精度与速度。为此,本文使用改进的YOLOV5目标检测模型,将其双向特征融合网络(FPN+PAN)替换为加权双向特征金字塔网络(BiFPN),增强网络的特征传递能力。实验结果表明,替换特征网络之后的YOLOV5s-BiFPN目标检测模型精度更高,AP 0.5达到91.7%,且模型的参数量、计算量以及FPS基本不变,满足应用在实际场景中进行实时抽烟检测的条件。

基于宽度学习的高校学生成绩预测模型研究

教育数据挖掘是目前的跨学科研究热点之一,其中对学生成绩的预测是教育数据挖掘的重要应用,可以帮助教育工作者评估学生的学习状态。因此,有必要对学生的成绩进行准确预测。针对目前预测模型存在准确率较低的问题,文章提出了一种基于宽度学习的学生成绩预测模型。该模型包括数据处理、网络训练和成绩预测三个模块,数据处理模块分析学生日常行为数据并提取有效特征,网络训练模块利用有效特征数据在线训练并更新网络模型,成绩预测模块根据训练好的网络模型实现学生成绩的快速准确预测。实验结果表明,文章提出的模型能够提高学生成绩预测的效率和精度。