IMRMB-Net:一个轻量级的学生行为识别模型,用于复杂的课堂场景
Caihong Feng1, Zheng Luo1, Deyao Kong1
1Department of Computer Science and Information Engineering, Harbin Normal University, Harbin, China.
PloS one
|March 10, 2025
概括
本研究介绍了IMRMB-Net,这是一个轻量级的学生行为识别模型. 它提高了课堂中隐蔽和小物体的准确性,提高了教学质量.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 教育技术的教育技术
背景情况:
- 课堂行为分析对于提高教育质量至关重要.
- 现有的方法与阻塞,小物体和环境干扰作斗争,导致精度低.
- 需要准确且计算效率高的学生行为识别模型.
研究的目的:
- 提出一个轻量级的学生行为识别模型,IMRMB-Net,以解决准确性和性能方面的挑战.
- 在课堂环境中改进对隐蔽和小物体的识别.
- 提高学生行为分析的整体稳定性和效率.
主要方法:
- 开发了一种轻量级的特征提取模块,即反向剩余移动块 (IMRMB).
- 在子网络中实现了DySample,以改善小物体识别.
- 设计了一种新的焦点器-形状损失函数,以提高模型的强度和阻塞处理.
主要成果:
- IMRMB-Net实现了高精度 (mAP@50=93.3%,mAP@50:95=78.7%) 和轻量级的性能 (FPS=60.37,Params=7.32MB) 的使用.
- 在UK_Dataset和SCB_Dataset上的课堂场景中有效解决了封闭问题.
- 在VisDrone2021数据集上展示了强大的概括和小目标识别能力.
结论:
- 在教育环境中,IMRMB-Net为准确和高效的学生行为识别提供了一个有前途的解决方案.
- 该模型的设计有效地解决了关键挑战,如阻塞和小物体检测.
- 这项研究有助于通过改进的课堂行为分析来推进教育技术.
