MSTA-SlowFast:用于课堂环境的学生行为探测器
Shiwen Zhang1, Hong Liu1, Cheng Sun2
1College of Information Science and Engineering, Hunan Normal University, Changsha 410081, China.
Sensors (Basel, Switzerland)
|June 10, 2023
概括
这项研究介绍了一种改进的SlowFast模型,用于从视频中检测学生的课堂行为. 新的MSTA-SlowFast模型提高了检测准确性,有助于指令评估和质量改进.
科学领域:
- 教育技术的教育技术
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 有效地检测学生的课堂行为对于教学评估和提高教学质量至关重要.
- 分析学生的学习状态可以通过基于视频的自动行为分析来增强.
研究的目的:
- 提出一个改进的课堂行为检测模型,以提高从教学视频分析学生行为的准确性.
- 增强多层次的时空信息的提取,并专注于显著的时间特征,以识别行为.
主要方法:
- 这项研究提出了一种改进的SlowFast模型,该模型包含一个多尺度时空注意 (MSTA) 模块.
- 引入了有效的时间注意力 (ETA),以改进时间特征的焦点.
- 一个新的面向时空空间的学生课堂行为数据集被构建用于评估.
主要成果:
- 与原来的SlowFast模型相比,MSTA-SlowFast模型表现出更高的性能.
- 在定制数据集上,平均平均精度 (mAP) 提高了5.63%.
- 改进的模型有效地提取了多个尺度的时空和突出的时间特征.
结论:
- 拟议的MSTA-SlowFast模型显著改善了从视频中检测学生的课堂行为.
- 这种进步为教学评估和教学质量提升提供了更好的工具.
- 开发的数据集和模型为教育视频分析领域做出了贡献.


