.png){kind=icon}
返回
Classroom Behavior Detection Method Based on PLA-YOLO11n
.png){kind=icon}
OA
AI
DOI：10.3390/s25175386.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确检测课堂中的学生行为有助于分析学生的学习状态，并有助于提升教学效果。我们提出了PLA-YOLO11n课堂行为检测模型。我们设计了一种新颖的C3K2_PConv模块，该模块集成了部分卷积与YOLO11网络中的模块，并将其应用于骨干网络和颈部特征融合层。为增强小目标特征表示，我们引入了大核自注意力（LSKA）机制，并将骨干网络末端的SPPF替换为注意力特征集成模块（AIFI）。我们还添加了一个高分辨率检测头。在SCB2数据集上的实验结果表明，改进后的模型优于原始YOLO11，其平均精度均值（mAP@0.5）提升了3.8%。
Keyword:
classroom behavior detection
PLA-YOLO11n
C3K2_PConv module
large-kernel self-attention
small-target detection
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
暂无机构信息
引用论文
Analyzing Real-Time Object Detection with YOLO Algorithm in Automotive Applications: A Review分析汽车应用中基于YOLO算法的实时目标检测：综述OAAI
OAAI分享收藏Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks更快的r-cnn: 基于区域建议网络的实时目标检测
OAAI
OAAI分享收藏Comparative Study of Some Deep Learning Object Detection Algorithms: R-CNN, FAST R-CNN, FASTER R-CNN, SSD, and YOLOOlorunshola, O.; Jemitola, P.; Ademuwagun, A. 对某些深度学习目标检测算法的比较研究：R-CNN、fast R-CNN、faster R-CNN、SSD 和 YOLO。Nile J. Eng. Appl. Sci. 2023, 1, 70–80. [Google Scholar] [CrossRef]
PREAI
分享收藏SCB-Dataset3: a benchmark for detecting student classroom behaviorSCB-Dataset3：一个用于检测学生课堂行为的基准数据集.png)
OAAI
IF0
OAAI分享收藏Winne, P. Self-regulated learning. SFU Educ. Rev. 2016, 9. [Google Scholar] [CrossRef]Winne, P. 自我调节学习. SFU Educ. Rev. 2016, 9. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏
查看更多内容