DMSA-Net:一个可变形的多尺度适应性课堂行为识别网络
Chunyu Dong1, Jing Liu1, Shenglong Xie2
1School of Computing, Xijing University, Xi'an, Shaanxi, China.
PeerJ. Computer science
|June 26, 2025
概括
这项研究引入了一个新的网络来识别学生的课堂行为,提高远程和封闭学生的准确性. 该方法增强了特征提取和检测,在基准数据集上表现优于现有的算法.
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:
- 准确的学生行为识别对于智能教育转型至关重要.
- 现有的视觉算法在课堂环境中与微妙的行为,遮蔽和尺度差异作斗争.
研究的目的:
- 提出一种可变形的多尺度自适应网络,用于增强课堂行为识别.
- 为应对广角成像,遮蔽和尺度变化所带来的挑战.
主要方法:
- 引入了一个可变形的自我注意 (dattention) 模块,以动态调整受感场.
- 开发了一个多层次的注意力特征金字塔结构 (MSAFPS) 用于多层次的特征聚合.
- 利用了智能交叉路口超过联盟 (Wise-IoU) 损失,以改进检测.
主要成果:
- 与现有方法相比,拟议的网络表现出优越的性能.
- 在SCB-Dataset3-S和DataMountainSCB数据集上实现了高精度.
- 在行为识别中有效处理闭塞和尺度差异.
结论:
- 可变形的多尺度自适应网络显著提高了课堂行为识别准确度.
- 数据模块和MSAFPS有效地模拟分钟行为并处理尺度变化.
- 这种方法为智能教育系统提供了强大的解决方案.
