基于AMFF网络的课堂专注度评估方法

刘力铭; 李鑫; 刘宏哲; 徐成; 蹇木伟

doi:10.13873/J.1000-9787(2025)09-0076-04

Chinese

您当前的位置：

首页 >

文章列表页 >

基于AMFF网络的课堂专注度评估方法

设计与制造 | 更新时间：2025-09-11

- 基于AMFF网络的课堂专注度评估方法
- 暂无标题
- 传感器与微系统 2025年第9期页码：76-79+83
- 作者机构：
  
  1. 北京联合大学北京市信息服务工程重点实验室
  2. 山东财经大学计算机科学与技术学院
- 作者简介：
- 基金信息：
  
  国家自然科学基金资助项目(62171042,U24A20331);国家语委重点项目(ZDI145—110);北京市属高等学校高水平科研创新团队建设支持计划项目(BPHR20220121)
- DOI：10.13873/J.1000-9787(2025)09-0076-04
  中图分类号： G434;TP18
- 纸质出版：2025
- 稿件说明：
移动端阅览
刘力铭, 李鑫, 刘宏哲, 等. 基于AMFF网络的课堂专注度评估方法[J]. 传感器与微系统, 2025,(9):76-79+83.
刘力铭, 李鑫, 刘宏哲, 等. 基于AMFF网络的课堂专注度评估方法[J]. 传感器与微系统, 2025,(9):76-79+83. DOI： 10.13873/J.1000-9787(2025)09-0076-04.

DOI：

摘要

人工智能(AI)的发展促进了AI技术在课堂场景的应用。利用深度学习对课堂专注度进行评估对于教学发展有重要意义。现有的专注度评估方法大多基于关键点检测，仅考虑学生身体姿态特征，没有充分利用表情特征。针对这个问题，提出一种基于自适应多特征融合(AMFF)网络的课堂专注度评估方法。AMFF模块可以实现头部姿态特征和面部表情特征的自适应融合；同时提出损失联合优化策略进一步提升网络收敛精度。在EngageWild数据集上实验，均方误差(MSE)损失为0.041

优于目前最先进(SOTA)方案0.17。同时，所提方法在智慧课堂场景下进行了测试和部署应用，具有良好的可行性和泛化性。

Abstract

关键词

Keywords

references

薛建明,刘宏哲,袁家政,王雪峤,李青,杨少鹏.基于CNN与关键区域特征的人脸表情识别算法[J].传感器与微系统,2019(10).

高静文,蔡永香,何宗宜.TP-FER:基于优化卷积神经网络的三通道人脸表情识别方法[J].计算机应用研究,2021(07).

王泽杰,沈超敏,赵春,刘新妹,陈杰.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).

谭暑秋,汤国放,涂媛雅,张建勋,葛盼杰.教室监控下学生异常行为检测系统[J].计算机工程与应用,2022(07).

王从澳,黄润才,孙延标,杨彬,孙刘成.基于特征融合与选择的小样本表情识别[J].传感器与微系统,2022(10).

陈藩,施一萍,胡佳玲,谢思雅,刘瑾.基于卷积神经网络的学生课堂疲劳检测算法[J].传感器与微系统,2022(06).

Bingpeng Ma,Xiujuan Chai,Tianjiang Wang.A novel feature descriptor based on biologically inspired feature for head pose estimation[J].Neurocomputing,2013.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

融合Transformer的改进遮挡人脸识别算法

基于注意力机制的特征融合孪生网络目标跟踪算法

基于GA-BP的表面肌电信号下肢动作模式识别研究

基于图像融合与深度学习的人脸表情识别

低分辨率唇纹识别算法的性能评估