陈 发

近年来，基于深度学习的学生课堂行为检测成为教育领域关注的热点，然而并取得显著进展。现有研究直接将通用目标检测技术直接应用于教室场景，未对教室场景学生行为检测的难点进行系统性分析和研究。因此，本文探索了教室场景学生行为检测难点问题。首先，将学生课堂行为总结为抬头、低头、扭头、玩手机、看书、举手、趴下7类，建立真实教室场景学生行为数据集。其次，通过观察学生行为数据，发现可能存在遮挡、小目标和多尺度等影响检测。最后，在Faster R-CNN模型、Faster R-CNN+DPS模型、Faster R-CNN+CABM模型、YOLOv1模型、SSD模型和YOLOv5模型上进行对照实验，实验结果表明多尺度问题影响最为显著。研究为选择合适的学生行为检测方法提供依据，有助于解决学生课堂行为检测问题。

学生课堂行为检测；检测难点问题；多尺度问题

[1] 祝智庭,胡姣.教育数字化转型的本质探析与研究展望[J].中国电化教育,2022,(04):1-8. [2] 刘献君.智慧教育背景下高等教育管理变革探究[J].高校教育管理,2024,18(01):24-32. [3] 何秀玲,杨凡,陈增照等.基于人体骨架和深度学习的学生课堂行为识别[J].现代教育技术,2020,30(11):105-112. [4] 徐家臻,邓伟,魏艳涛.基于人体骨架信息提取的学生课堂行为自动识别[J].现代教育技术,2020,30(05):108-113. [5] Abedi A, Khan S. "Improving state-of-the-art in detecting student engagement with resnet and TCN hybrid network,"2021 18th Conference on Robots and Vision (CRV), Burnaby, BC, Canada, 2021, pp. 151-157. [6] 王泽杰,沈超敏,赵春等.融合人体姿态估计和目标检测的学生课堂行为识别[J].华东师范大学学报(自然科学版),2022,(02):55-66.

点击下载PDF