論文の概要: Student Classroom Behavior Detection based on Improved YOLOv7

• arxiv url: http://arxiv.org/abs/2306.03318v1
• Date: Tue, 6 Jun 2023 00:01:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-07 17:52:37.180760
• Title: Student Classroom Behavior Detection based on Improved YOLOv7
• Title（参考訳）: 改良型YOLOv7に基づく学生の授業行動検出
• Authors: Fan Yang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.49302950538123
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately detecting student behavior in classroom videos can aid in analyzing their classroom performance and improving teaching effectiveness. However, the current accuracy rate in behavior detection is low. To address this challenge, we propose the Student Classroom Behavior Detection method, based on improved YOLOv7. First, we created the Student Classroom Behavior dataset (SCB-Dataset), which includes 18.4k labels and 4.2k images, covering three behaviors: hand raising, reading, and writing. To improve detection accuracy in crowded scenes, we integrated the biformer attention module and Wise-IoU into the YOLOv7 network. Finally, experiments were conducted on the SCB-Dataset, and the model achieved an mAP@0.5 of 79%, resulting in a 1.8% improvement over previous results. The SCB-Dataset and code are available for download at: https://github.com/Whiffe/SCB-dataset.
• Abstract（参考訳）: 教室ビデオにおける生徒の行動を正確に検出することは,授業パフォーマンスの分析と指導効果の向上に寄与する。 しかし、動作検出における現在の精度は低い。 そこで本研究では,改良されたyolov7に基づく授業行動検出手法を提案する。 まず,18.4kラベルと4.2k画像を含む学生教室行動データセット(scb-dataset)を作成し,手上げ,読書,筆記という3つの行動を取り入れた。 混み合ったシーンにおける検出精度を向上させるため,biformer attentionモジュールと wise-iou を yolov7 ネットワークに統合した。 最後に、scb-データセットで実験を行い、79%のmap@0.5を達成し、以前の結果よりも1.8%改善した。 SCB-Datasetとコードは、https://github.com/Whiffe/SCB-datasetでダウンロードできる。

関連論文リスト

• Adaptive Rentention & Correction for Continual Learning [114.5656325514408]
  連続学習における一般的な問題は、最新のタスクに対する分類層のバイアスである。 アダプティブ・リテンション・アンド・コレクション (ARC) のアプローチを例に挙げる。 ARCはCIFAR-100とImagenet-Rのデータセットで平均2.7%と2.6%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2024-05-23T08:43:09Z)
• 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)
• A Spatio-Temporal Attention-Based Method for Detecting Student Classroom Behaviors [3.6119958671506707]
  生徒の行動検出の精度が低いことが問題となっている。 学生の授業行動検出のための時空間アテンションベース手法(BDSTA)を提案する。 SlowFastモデルと比較すると,BDSTAを用いた生徒行動分類の平均精度は8.94%向上した。
  論文  参考訳（メタデータ） (2023-10-04T01:47:36Z)
• 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 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)
• SCB-dataset: A Dataset for Detecting Student Classroom Behavior [3.6119958671506707]
  学生クラスルーム行動データセット(SCBデータセット)には、11,248のラベルと4,003のイメージが含まれている。 データセットには11,248のラベルと4,003のイメージが含まれており、手作り行動に焦点を当てている。 YOLOv7アルゴリズムを用いてデータセットを評価し,平均精度(マップ)を85.3%まで向上させた。
  論文  参考訳（メタデータ） (2023-04-05T15:02:30Z)
• To be Critical: Self-Calibrated Weakly Supervised Learning for Salient Object Detection [95.21700830273221]
  弱教師付き有色物体検出(WSOD)は,画像レベルのアノテーションを用いた有色度モデルの開発を目的としている。 擬似ラベルとネットワーク予測の相互校正ループを明確に設定し,自己校正学習戦略を提案する。 十分に整合したアノテーションを持つはるかに小さなデータセットであっても、モデルがより優れたパフォーマンスと一般化性を達成するのに役立ちます。
  論文  参考訳（メタデータ） (2021-09-04T02:45:22Z)
• Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
  本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。 提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:53:09Z)
• Unbiased Teacher for Semi-Supervised Object Detection [50.0087227400306]
  SS-OD(Semi-Supervised Object Detection)を再検討し,SS-ODにおける擬似ラベルバイアス問題を特定する。 学生と徐々に進歩する教師を相互に利益ある方法で共同で訓練するシンプルで効果的なアプローチであるUnbiased Teacherを紹介します。
  論文  参考訳（メタデータ） (2021-02-18T17:02:57Z)
• CoMatch: Semi-supervised Learning with Contrastive Graph Regularization [86.84486065798735]
  CoMatchは、支配的なアプローチを統一する、新しい半教師付き学習手法である。 複数のデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-11-23T02:54:57Z)

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。