CN119478802A 一种轻量级智慧课堂学习行为检测方法及系统 （华中师范大学）

一种轻量级智慧课堂学习行为检测方法及本发明属于计算机视觉与人工智能技术领网络对所提取的特征进行深层次的时空特征表利用优化后的分类损失函数和边界框损失函数效处理复杂的课堂环境和多样化的学生行为模2堂环境图像进行多尺度特征提取，并通过卷积操作和聚焦调制机制逐层提取和融合特征。步骤二：通过卷积操作提取局部特征，随后通过批量步骤五：将多层次特征传入动态检测头，通过多种注意步骤六：模型最终输出预测的学生行为检测结果；这步骤七：应用训练完的参数对测试集课堂学生行为进行预测并对得到的结果进行分通过初始卷积层进行特征提取,随后在初始卷积层输出的基础上进行批量归一化和通过浅层卷积层和跨层连接生成浅层特征P3后，再进一步通过特征提取模块C2f模块3聚焦调制机制模块被设计在这一位置来提取P5最深层次随后使用线性层获得空间和层次相关的门控权重G，对不同层次的特征图进行加权求最后，通过简单的调制器函数h对聚合后的上下文特征进在训练阶段，先通过预测结果和说话人标签向量计算相应的L=λclsLcls+λboxLbox4μt=βxμt_1+(1_β)xθt8.一种实施如权利要求1_7任意一项所述轻量级智慧课堂学习行为检测方法的轻量级课堂学生行为提取模块：该模块负责从图像中提取深层次的学生上下文聚焦调制特征提取增强模块：该模块利用上下文聚多尺度特征融合模块：该模块将不同层次的特征图多注意力机制融合模块：该模块通过动态检测头学生行为预测模块：该模块将动态检测头输出的特征图用并使用指数移动平均损失衡量预测边界框位置与真实边界框1_7任意一项所述轻量级智慧课堂学习行为检测5这些因素会显著影响行为检测的准确性，现有方法在应对这些复杂场景时往往表现不佳。[0003]为了应对上述挑战，本发明提出了一种轻量级智慧课堂学习行为检测方法及系6[0006](1)在教育领域缺乏轻量级且高效的检测模型，使得实时监测和分析学生行为变[0007](2)课堂学生行为数据集通常存在样本数量不均衡的情况，从而使得检测效果较7[0023]通过初始卷积层进行特征提取,随后在初始卷积[0025]通过浅层卷积层和跨层连接生成浅层特征P3后，再进一步通过特征提取模块C2f[0033]随后使用线性层获得空间和层次相关的门控权重G，对不同层次的特征图进行加8[0055]L=λclsLcls+λ概率和边界框位置；通过二元交叉熵损失(BCE)衡量预测类别概率与真实类别标签之间的9捕捉到更加细致和全面的行为信息，特别是在复杂场景中能够有效区分和识别不同的行[0082]本发明的技术方案旨在解决现有技术中智慧课堂学习行为检测的效率和准确性[0093]图4是本发明实施例提供的(a)单调部分解析树(SPPF)(b)焦点调制(c)上下文聚[0097]如图1所示，本发明实施例提供的一种轻量级智慧课堂学习行为检测方法包括以[0109]通过初始卷积层进行特征提取,随后在初始卷积[0111]通过浅层卷积层和跨层连接生成浅层特征P3后，再进一步通过特征提取模块C2f[0119]随后使用线性层获得空间和层次相关的门控权重G，对不同层次的特征图进行加[0141]L=λclsLcls+λ概率和边界框位置；通过二元交叉熵损失(BCE)衡量预测类别概率与真实类别标签之间的zPzXμLGaussianErrorLinearμ[0168](2.1)首先，通过初始卷积层对输入图像X进行特征提取，得到卷积特征图Conv[0187](4.2)将上采样后的特征与对应层次[0200]L=λclsLcls+λ[0201]其中，分类损失Lcls采用二元交叉熵损失(BCE)来计算预测类别概率与真实类别生行为数据集中样本不均衡的问题。具体来说，首先根据预测框与真实框之间的IoU[0206]图4是本发明实施例提供的(a)单调部分解析树(SPPF)(b)焦点调制(c)上下文聚[0213]将本发明应用实施例提供的轻量级智慧课堂学习行为检测系统应用于计算机设[0214]本发明的另一目的是将轻量级智慧课堂学习行为检测方法应用于信息数据处理[0217]其中，TP(TruePositive)表示正确检测的目标行为实例数量，FP(False为方面的有效性。为了更全面地评估SBD_Net的性能，我们将其与几个基准模型进行了对可以看出，本发明在多个指标上均优于这些基准模型。具体来说，本发明的参数数量为后的指数移动平均分类损失函数后，模型的精度增加了0.5召回率增加了3.8mAP@励学生更多参与讨论和提问。抬头看和转头这些行为可以表明学生对教师讲解的关注程[0228](2)通过绘制行为频次的时间序列图，可以观察到学生行为在课堂不同时间段的[0229](3)分析教师在课堂中的行为与学生反应之间的关系，可以了解不同教学方法的和方法可以使用计算机可执行指令和/或包含在处