基于人体骨架和深度学习的学生课堂行为识别

发布时间：2021-04-10 14:50

　　学生课堂行为表现是课堂教学评价的重要组成部分,而进行学生课堂行为识别对课堂教学评价有重要意义。文章提出了基于人体骨架和深度学习的学生课堂行为识别方法,即通过提取学生行为图像的人体骨架关键信息,结合一个10层的深度卷积神经网络（CNN-10）来识别学生的课堂行为。为验证此方法的有效性,文章使用CNN-10和学生课堂行为识别方法,在学生课堂行为数据集上进行了对比实验。实验结果表明,学生课堂行为识别方法可有效排除学生体态、着装、教室背景等无关信息的干扰,突出关键有效信息,具有更高的识别准确率与泛化能力。使用基于人体骨架和深度学习的学生课堂行为识别方法识别学生典型的课堂行为,能及时、有效地反映学生的学习状态,并帮助教师精准掌握学生的课堂学情,从而助力智能化课堂教学。 

【文章来源】：现代教育技术. 2020,30(11)北大核心CSSCI

【文章页数】：8 页

【部分图文】：

Open Pose识别的人体骨架图

进行学生课堂行为识别的CNN-10

本研究设计了基于人体骨架信息和深度学习的行为识别流程，如图3所示。第一步，采集学生课堂行为数据，具体包含7种学生课堂行为的图像与标签。第二步，提取人体骨架信息，即利用Open Pose，获取学生课堂行为图像的人体骨架图像信息——首先，有效排除学生的体态、穿着、教室背景等干扰因素；然后，使人体骨架图像在保持大小不变的情况下分离出背景信息；最后，仅保留人体骨架信息。第三步，进行训练与测试，是指将获得的人体骨架图像输入到搭建好的深度卷积神经网络CNN-10中进行训练和测试。(2)CNN-10的网络结构

【参考文献】：
期刊论文
[1]基于深度学习的学生课堂行为识别[J]. 魏艳涛,秦道影,胡佳敏,姚璜,师亚飞.  现代教育技术. 2019(07)
[2]基于残差网络的学生课堂行为识别[J]. 蒋沁沂,张译文,谭思琪,杨耀祖.  现代计算机. 2019(20)
[3]基于深度学习的学生课堂异常行为检测与分析系统[J]. 廖鹏,刘宸铭,苏航,李启芳,韩延巾.  电子世界. 2018(08)
[4]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[5]改进型弗兰德斯互动分析系统及其应用[J]. 方海光,高辰柱,陈佳.  中国电化教育. 2012(10)
[6]支持教师专业发展的课堂分析技术新探索[J]. 顾小清,王炜.  中国电化教育. 2004(07)

硕士论文
[1]课堂学习行为测量系统的设计与实现[D]. 张鸿宇.华中科技大学 2016



本文编号：3129835