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
- Towards Student Actions in Classroom Scenes: New Dataset and Baseline [43.268586725768465]
複雑な教室シーンを対象とした,SAV(Multi-label student action video)データセットを提案する。
データセットは、758の教室から、4,324の慎重にトリミングされたビデオクリップで構成され、それぞれに15の教室で生徒が表示するアクションがラベル付けされている。
論文 参考訳（メタデータ） (2024-09-02T03:44:24Z) - BAL: Balancing Diversity and Novelty for Active Learning [53.289700543331925]
多様な不確実なデータのバランスをとるために適応的なサブプールを構築する新しいフレームワークであるBalancing Active Learning (BAL)を導入する。
我々のアプローチは、広く認識されているベンチマークにおいて、確立されたすべてのアクティブな学習方法より1.20%優れています。
論文 参考訳（メタデータ） (2023-12-26T08:14:46Z) - 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) - 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) - Evaluating the effect of data augmentation and BALD heuristics on
distillation of Semantic-KITTI dataset [63.20765930558542]
Active Learningは、自律運転データセットにおけるLiDAR知覚タスクに対して、比較的未調査のままである。
本研究では,データセット蒸留やコアサブセット選択のタスクに適用したベイズ能動学習手法を評価する。
また,ベイジアンALを用いたデータセット蒸留におけるデータ拡張の適用効果についても検討した。
論文 参考訳（メタデータ） (2023-02-21T13:56:47Z) - Is margin all you need? An extensive empirical study of active learning
on tabular data [66.18464006872345]
我々は,OpenML-CC18ベンチマークを用いて,69の実世界のデータセット上での各種能動学習アルゴリズムの性能を解析した。
意外なことに、古典的なマージンサンプリング技術は、現在の最先端技術を含む、他のすべてのものよりも優れている。
論文 参考訳（メタデータ） (2022-10-07T21:18:24Z) - A Novel Dataset for Evaluating and Alleviating Domain Shift for Human
Detection in Agricultural Fields [59.035813796601055]
トレーニングセットの分布外のデータに展開した場合、ドメインシフトが、よく知られたオブジェクト検出データセット上で訓練された人間の検出モデルに与える影響を評価する。
我々は、ロボットティプラットフォームを用いて、農業ロボット応用の文脈で収集されたOpenDR Humans in Fieldデータセットを紹介した。
論文 参考訳（メタデータ） (2022-09-27T07:04:28Z) - 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) - Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。
マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。
このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
論文 参考訳（メタデータ） (2020-01-06T13:37:51Z)
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。