一种基于多尺度统计融合域自适应的学生行为检测方法技术

本发明专利技术公开了一种基于多尺度统计融合域自适应的学生行为检测方法，涉及行为检测技术领域，包括在学校端采集学生行为数据并进行预处理，利用行为类别进行数据标注，构建本地数据集；初始化行为检测模型、各统计损失函数权重；以HICO‑DET数据集为源域数据集，本地数据集为目标域数据集，采用多尺度统计融合域自适应方法进行域间特征拉近，更新行为检测模型与各统计损失函数权重，完成知识的迁移；重复上一步骤，直到算法收敛，得到适应本地数据的学生行为检测模型；将得到的学生行为检测模型部署在学校端，实时检测和反馈学生行为。因此，采用上述方法，利用域自适应方法能够有效地实现行为检测知识迁移，克服了标注样本不足的难题，提升模型泛化能力。

【技术实现步骤摘要】

本专利技术涉及行为检测，尤其是涉及一种基于多尺度统计融合域自适应的学生行为检测方法。

技术介绍

1、随着人工智能在教育科技中的深入融合，学生行为分析已成为优化教学策略的关键工具。通过捕捉学生的专注程度、互动水平和情感反应，ai系统能即时反馈信息，使教育者能够灵活调整授课方式以提升学习效果。然而，当前学生行为分析算法的精进，严重受限于高质量标注数据的获取，这一瓶颈引发了多重难题。

2、一方面，创建详尽且精准的人工标注数据库是一项耗时且需密集劳动的任务。这不仅要求专家级的介入来确保数据的准确无误，还伴随着高昂的时间与经济成本，特别是在面对海量数据时，维持标注的效率和一致性成为一大挑战。另一方面，主观判断和人为失误不可避免地引入了数据噪声，这可能会导致标签的多样性和不准确性，进而削弱了模型训练的精确度和可靠性，在实际应用中可能产生误导性的结果。

3、总之，尽管人工智能对学生行为分析提供了前所未有的洞察力，但构建可靠标注数据集的艰巨性限制了其潜力的全面释放，亟待创新解决方案以克服这些障碍。

技术实现思路<本文档来自技高网...

【技术保护点】

1.一种基于多尺度统计融合域自适应的学生行为检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于多尺度统计融合域自适应的学生行为检测方法，其特征在于，步骤S1中，学生行为数据包括学生的动作、神态、表情图像数据，预处理包括对图像数据进行缩放、去噪和标准化。

3.根据权利要求1所述的一种基于多尺度统计融合域自适应的学生行为检测方法，其特征在于，步骤S2中，损失函数包括交叉熵损失函数、最大均值差异损失函数、联合最大均值差异损失函数和相关对齐损失函数，具体如下：

4.根据权利要求3所述的一种基于多尺度统计融合域自适应的学生行为检测方法，其特征...

【技术特征摘要】

1.一种基于多尺度统计融合域自适应的学生行为检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于多尺度统计融合域自适应的学生行为检测方法，其特征在于，步骤s1中，学生行为数据包括学生的动作、神态、表情图像数据，预处理包括对图像数据进行缩放、去噪和标准化。

3.根据权利要求1所述的一种基于多尺度统计融合域自适应的学生行为检测方法，其特征在于，步骤s2中，损失函数包括交叉熵损失函数、最大均值差异损失函数、联合最大均值差异损失函数和相关对齐损失函数，具...

【专利技术属性】
技术研发人员：倪艺洋，曹鹏，王玉玺，刘娅璇，田磊，掌明，蒋波，曹愚，
申请(专利权)人：江苏第二师范学院，
类型：发明
国别省市：