申请/专利权人：武汉纺织大学

申请日：2024-05-21

公开（公告）日：2024-06-18

公开（公告）号：CN118212593A

主分类号：G06V20/52

分类号：G06V20/52;G06V10/82;G06V10/25;G06V10/764;G06V40/10;G06N3/0455;G06N3/082

优先权：

专利状态码：在审-公开

法律状态：2024.06.18#公开

摘要：本发明公开了一种基于轻量化网络的学生课堂关注度识别方法，所述方法包括以下步骤：S1：采集课堂监控场景下的视频和图像，创建数据集C，对数据集C进行预处理；S2：设计训练损失函数，搭建适用于学生课堂关注度识别的轻量化网络结构；S3：通过轻量化网络结构对数据集C进行初步训练，得到目标检测模型；S4：设计量化损失函数，并采用参数量化技术对模型进行量化训练，得到轻量化目标检测模型；S5：使用轻量化目标检测模型对课堂监控流进行预测，输出学生关注度识别结果。本发明通过设计轻量化网络结构和损失函数，提升学生课堂关注度识别的准确性和高效性。

主权项：1.一种基于轻量化网络的学生课堂关注度识别方法，其特征在于，所述方法包括以下步骤：S1：采集课堂监控场景下的视频和图像，创建数据集C，对数据集C进行预处理；S2：设计训练损失函数，然后搭建适用于学生课堂关注度识别的轻量化网络结构；所述损失函数包括定位损失函数和相似性度量损失函数，所述定位损失函数计算公式如下： 其中，是边界框回归损失函数，是交并比损失函数，是广义交并比损失函数，、、是用来调整各部分函数的超参数；所述边界框回归损失函数计算公式如下： 其中，是候选框的序号，与是预测框与真实框的中心点的坐标，,是预测框的宽和高，，是真实框的宽和高，表示第个框的宽高比，是平滑损失函数；所述交并比损失函数计算公式如下： 其中，是预测框与真实框的交并比；所述广义交并比损失函数计算公式如下： 其中，是预测框和真实框的广义交并比，用于考虑最小封闭框内未被两个框覆盖的区域;是预测框和真实框的欧式距离;所述相似性度量损失函数计算公式如下： 其中，是对比损失函数，用于区分不同类别的样本，是中心损失函数，是正则化项，表示网络参数，用于避免过拟合，，是用来调整各部分权重的超参数；在对比损失函数中，,是同一批次中的一对样本且与不重复,是一个类别标签，如果,属于同一类别，则为1;如果,不属于同一类别，则为0，是和之间的欧氏距离，表示边界值；在中心损失函数中，是样本总数，是一个样本，是所属类别的特征中心，即同批同类中置信度最高的特征向量；S3：通过所述轻量化网络结构对数据集C进行初步训练，得到目标检测模型；S4：设计量化损失函数，并采用参数量化技术对所述目标检测模型进行量化训练，得到轻量化目标检测模型；S5：拉取监控流，使用所述轻量化目标检测模型对课堂监控流进行预测，输出课堂监控场景下的学生关注度识别结果。

全文数据：

权利要求：

百度查询： 武汉纺织大学 一种基于轻量化网络的学生课堂关注度识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD