将人工智能引入课堂教学活动,基于深度学习的方法智能识别学生在课堂上的行为,及时了解学生的上课状态,对教学改革具有积极作用。传统的学生行为识别方法有鲁棒性差,准确率不高等缺点。本文使用深度学习的方法,自建学生课堂行为数据集,...将人工智能引入课堂教学活动,基于深度学习的方法智能识别学生在课堂上的行为,及时了解学生的上课状态,对教学改革具有积极作用。传统的学生行为识别方法有鲁棒性差,准确率不高等缺点。本文使用深度学习的方法,自建学生课堂行为数据集,在YOLOV5的基础上引入CA注意力机制,在模型检测速度不变的情况下,增强模型的鲁棒性,注意力机制从通道和空间两个维度有效提取学生课堂行为特征。仿真表明,与YOLOV5模型相比,加入注意力机制的模型对抬头、低头、玩手机、举手、记笔记、睡觉、交头接耳七类学生课堂行为识别提升了2%左右的m AP(mean Average Precision);对睡觉、玩手机、举手行为的识别准确率达到90%。展开更多
文摘将人工智能引入课堂教学活动,基于深度学习的方法智能识别学生在课堂上的行为,及时了解学生的上课状态,对教学改革具有积极作用。传统的学生行为识别方法有鲁棒性差,准确率不高等缺点。本文使用深度学习的方法,自建学生课堂行为数据集,在YOLOV5的基础上引入CA注意力机制,在模型检测速度不变的情况下,增强模型的鲁棒性,注意力机制从通道和空间两个维度有效提取学生课堂行为特征。仿真表明,与YOLOV5模型相比,加入注意力机制的模型对抬头、低头、玩手机、举手、记笔记、睡觉、交头接耳七类学生课堂行为识别提升了2%左右的m AP(mean Average Precision);对睡觉、玩手机、举手行为的识别准确率达到90%。