論文の概要: SCB-dataset: A Dataset for Detecting Student Classroom Behavior
- arxiv url: http://arxiv.org/abs/2304.02488v5
- Date: Tue, 21 Jan 2025 14:04:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-23 13:29:54.321836
- Title: SCB-dataset: A Dataset for Detecting Student Classroom Behavior
- Title（参考訳）: SCBデータセット: 生徒の授業行動を検出するデータセット
- Authors: Fan Yang,
- Abstract要約: このデータセットは、20クラスにわたる7428のイメージと106830のラベルで構成されている。
我々は、SCB-Dataset5が、教育における人工知能の将来的な応用の基盤となると信じている。
- 参考スコア（独自算出の注目度）: 3.6119958671506707
- License:
- Abstract: Using deep learning methods to detect the classroom behaviors of both students and teachers is an effective way to automatically analyze classroom performance and enhance teaching effectiveness. Then, there is still a scarcity of publicly available high-quality datasets on student-teacher behaviors. Based on the SCB-Dataset3 we proposed previously, we have introduced a larger, more comprehensive, and higher-quality dataset of student-teacher classroom behaviors, known as SCB-Dataset5. Our dataset comprises 7428 images and 106830 labels across 20 classes: hand-raising, read, write, bow head, turn head, talk, guide, board writing, stand, answer, stage interaction, discuss, clap, yawn, screen, blackboard, teacher, leaning on the desk, using the phone, using the computer. We evaluated the dataset using the YOLOv7 series of algorithms We believe that SCB-Dataset5 can provide a solid foundation for future applications of artificial intelligence in education. Our SCB-Dataset5 can be downloaded at the following lhttps://github.com/Whiffe/SCB-dataset
- Abstract（参考訳）: ディープラーニング手法を用いて、生徒と教師の両方の教室行動を検出することは、教室のパフォーマンスを自動解析し、教育効果を高めるのに有効な方法である。
そして、学生-教師の行動に関する高品質なデータセットは、まだ公開されていない。
先程提案したSCB-Dataset3に基づいて、SCB-Dataset5として知られる、より大きく、より包括的で、より高品質な授業行動データセットを導入しました。
私たちのデータセットは、手作り、読み書き、弓頭、ターンヘッド、トーク、ガイド、ボードライティング、スタンド、回答、ステージインタラクション、議論、拍手、あくび、画面、黒板、教師、机に傾いて、コンピューターを使って、20のクラスにわたる7428の画像と106830のラベルで構成されています。
YOLOv7 シリーズのアルゴリズムを用いてデータセットを評価し,SCB-Dataset5 が教育における人工知能の将来的な応用の基盤となると信じている。
SCB-Dataset5 は以下の lhttps://github.com/Whiffe/SCB-dataset でダウンロードできます。
関連論文リスト
- Less is More: High-value Data Selection for Visual Instruction Tuning [127.38740043393527]
本稿では,視覚的命令データの冗長性を排除し,トレーニングコストを削減するために,高価値なデータ選択手法TIVEを提案する。
約15%のデータしか使用していない我々のアプローチは、8つのベンチマークで全データ微調整モデルに匹敵する平均性能を実現することができる。
論文 参考訳（メタデータ） (2024-03-14T16:47:25Z) - Student Classroom Behavior Detection based on Spatio-Temporal Network and Multi-Model Fusion [6.069671582146248]
生徒の授業行動を自動的に検出する深層学習手法は,授業成績を分析し,授業効果を向上させる上で有望なアプローチである。
しかし、学生の行動に関する公開データセットの欠如と、そのようなデータセットを手作業でラベル付けするコストは、この分野の研究者にとって大きな課題となっている。
学生教室シナリオデータセットを画像・時間的行動データセットを通じて拡張する手法を提案する。
論文 参考訳（メタデータ） (2023-10-25T00:46:26Z) - SCB-Dataset3: A Benchmark for Detecting Student Classroom Behavior [6.878489963907169]
学生のクラスルーム行動データセット(SCB-dataset3)は現実のシナリオを表す。
データセットは5686枚の画像と45578枚のラベルで構成されており、手作り、読み書き、電話の使用、頭をお辞儀、テーブルの上に傾ける6つの行動に焦点を当てている。
論文 参考訳（メタデータ） (2023-10-04T01:43:46Z) - Student Classroom Behavior Detection based on Improved YOLOv7 [3.6119958671506707]
改良型YOLOv7に基づく授業行動検出手法を提案する。
まず、学生教室行動データセット(SCB-Dataset)を作成し、18.4kラベルと4.2kイメージを含む。
混み合ったシーンにおける検出精度を向上させるために,バイフォーマーアテンションモジュールとWise-IoUをYOLOv7ネットワークに統合した。
実験はSCB-Datasetで行われ、モデルがmAP@0.5の79%を達成し、その結果、以前の結果よりも1.8%改善した。
論文 参考訳（メタデータ） (2023-06-06T00:01:40Z) - MathDial: A Dialogue Tutoring Dataset with Rich Pedagogical Properties
Grounded in Math Reasoning Problems [74.73881579517055]
そこで本稿では,一般学生の誤りを表現した大規模言語モデルを用いて,人間教師の対話を生成する枠組みを提案する。
このフレームワークを用いて3kの1対1の教師-学生対話のデータセットであるMathDialを収集する方法について述べる。
論文 参考訳（メタデータ） (2023-05-23T21:44:56Z) - Student Classroom Behavior Detection based on YOLOv7-BRA and Multi-Model Fusion [8.800332201027299]
YOLOv7-BRAに基づく授業行動検出システムを提案する。
立ち上がり、座り、話すこと、聞くこと、歩くこと、手を上げること、読むこと、書くことを含む8つの異なる行動パターンを特定しました。
SCB-Datasetの実験を行い、YOLOv7-BRAはmAP@0.5の87.1%を達成した。
論文 参考訳（メタデータ） (2023-05-13T02:46:41Z) - Active Teacher for Semi-Supervised Object Detection [80.10937030195228]
半教師対象検出(SSOD)のための能動教師と呼ばれる新しいアルゴリズムを提案する。
Active Teacherは、教師/学生のフレームワークを反復的なバージョンに拡張し、ラベルセットを部分的に段階的に拡張し、ラベルなし例の3つの重要な要素を評価する。
この設計により、Active Teacherは、擬似ラベルの品質を改善しながら、限られたラベル情報の効果を最大化することができる。
論文 参考訳（メタデータ） (2023-03-15T03:59:27Z) - Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。
まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。
トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
論文 参考訳（メタデータ） (2022-11-24T13:18:27Z) - The NCTE Transcripts: A Dataset of Elementary Math Classroom Transcripts [4.931378519409227]
研究者が利用可能な数学教室の教科書の最大のデータセットについて紹介する。
データセットは、長さ1,660分の4年生と5年生の初等数学の観測から成り立っている。
匿名化された文字起こしは、4つの学区の317人の教師のデータを表現している。
論文 参考訳（メタデータ） (2022-11-21T19:00:01Z) - Online Coreset Selection for Rehearsal-based Continual Learning [65.85595842458882]
継続的な学習では、後に再生されるトレーニング例(コアセット)のサブセットを格納し、破滅的な忘れを軽減します。
提案するオンラインコアセット選択(OCS, Online Coreset Selection)は, 各イテレーションにおいて最も代表的で情報性の高いコアセットを選択するシンプルで効果的な方法である。
提案手法は,過去のタスクに対して高親和性サンプルを選択しながら,目標データセットへのモデル適応を最大化し,破滅的忘れを直接的に抑制する。
論文 参考訳（メタデータ） (2021-06-02T11:39:25Z) - SLADE: A Self-Training Framework For Distance Metric Learning [75.54078592084217]
我々は、追加のラベルのないデータを活用することで、検索性能を向上させるための自己学習フレームワークSLADEを提案する。
まず、ラベル付きデータに基づいて教師モデルをトレーニングし、ラベルなしデータに対して擬似ラベルを生成する。
次に、最終機能埋め込みを生成するために、ラベルと擬似ラベルの両方で学生モデルをトレーニングします。
論文 参考訳（メタデータ） (2020-11-20T08:26:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。