【技术实现步骤摘要】
一种基于改进YOLOv7的学生课堂行为检测方法
[0001]本专利技术涉及课堂行为检测
,更具体地说,本专利技术涉及一种基于改进
YOLOv7
的学生课堂行为检测方法
。
技术介绍
[0002]随着教育事业的发展,教育教学领域对课堂教学的重要性越来越重视,特别关注学生在课堂中的反应和行为变化
。"
新课改
"
的提出对教学评价提出了更高的要求
。
与此同时,我国近年来有序推进智慧学校的建设,逐步构建以智慧教学
、
智慧管理
、
智慧生活等为特色的学校模式
。
学生课堂是构建智慧学校的关键环节之一,学生课堂的质量受多个方面的影响,包括教学设计
、
课堂实践和教学评估等
。
其中,通过观察学生的课堂行为来进行教学评估是一种有效且常用的方法
。
[0003]在传统的教学评估中,通常会有评估老师坐在后排对学生的上课状态和教师的授课情况进行评估
。
然而,由于评估老师的位置限制,很难全面观察学生的具体上课状态
。
评估老师只能对少数学生的上课状态进行评估,导致评估数据的不全面性
。
此外,不同评估老师的评估标准
、
观察方式和思考角度存在差异,这也导致了教学评估结果的差异性
。
同一堂课的不同时期,评估老师的精神状态也不同,很难长时间专注地观察学生的课堂行为,进一步加大了教学评 ...
【技术保护点】
【技术特征摘要】
1.
一种基于改进
YOLOv7
的学生课堂行为检测方法,其特征在于,包括以下步骤
:
步骤1,获取学生课堂行为视频,对获取的视频拆帧,得到学生课堂行为的图片;步骤2,对步骤1获取的图像进行预处理,利用
labelImg
图像标注工具对学生课堂行为数据集进行标注,并划分数据集,获得学生课堂行为数据集;步骤3,构建基于改进
YOLOv7
的学生课堂行为检测网络,在
YOLOv7
算法主干网络中添加
ACmix
注意力卷积模块,对
YOLOv7
算法中的预测头部分进行改进,将原有
YOLOv7
算法中的
Detect
替换为
ASFFDetect
结构,通过在训练过程中学习不同层次特征的最佳融合方法,过滤掉携带矛盾信息的其他层特征;同时引入
NWD
‑
based Regression Loss
作为损失函数;所述基于改进
YOLOv7
的学生课堂行为检测网络主要包含
Input、Backbone、Neck、Head 4
部分;在
Neck
部分引入的
ACmix
注意力卷积模块,具体包括以下步骤:第一阶段:通过3个1×1卷积对输入特征进行投影,然后重组为
N
块;获得包含3×
N
中间特征的特征映射;第二阶段:按照不同的范式使用,对于自注意力路径,将中间特征收集到
N
组中,其中每组包含三个特征,对应
q,k,v
;对于内核大小为
k
的卷积路径,采用轻量级全连接层生成
K2
个特征图,通过移位和聚合生成特征;第三阶段,将两个路径的输出相加,其强度由两个可学习标量控式所示:
F
out
=
α
F
att
+
β
F
conv
#(1)
其中
F
out
表示路径的最终输出,
F
att
表示自注意力分支的输出,
F
conv
表示卷积注意力分支的输出,参数
α
和
β
的值均为1;在
Head
部分将原有网络中的
Detect
预测头替换为
ASFFDetect
预测头,
ASFFDetect
模块包含两步:同尺寸变换和自适应特征融合;
(1)
特征同尺寸变换:不同层的特征图尺寸不一致,重塑到相同的尺寸;小尺寸变大尺寸需要进行上采样,大尺寸变小尺寸需要进行下采样;
(2)
自适应融合:将分别为来自
level
,
level2
,
level3
的特征
X1
,
X2
,
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。