基于深度学习的课堂行为图像分类（原创+高分创新/迁移学习/特征融合+1.2w字论文）

VIT19980106

已于 2024-05-14 15:37:15 修改

阅读量417

点赞数 9

文章标签： python 深度学习 gitee

于 2024-05-14 11:10:32 首次发布

本文链接：https://blog.csdn.net/qq_42492056/article/details/138845883

版权

基于深度学习的课堂行为图像分类 [代码链接](https://gitee.com/VIT19980106/Classroom-behavior-image-classification

论文组织结构
摘要

代码链接
https://gitee.com/VIT19980106/Classroom-behavior-image-classification

论文组织结构

在这里插入图片描述

摘要

近年来，随着教育信息化的飞速发展，加快智慧教育建设成为我国的重要政策之一，在日常教学中，学生课堂学习行为是课堂教学效率和教学质量的重要体现，通过评价学生的课堂行为，形成对课堂教学质量的客观评价和反馈，对于提高教学效率和教学质量有重要意义。为了实现学生课堂行为的自动化识别，本文利用开源数据集和自采图像数据制作课堂行为图像分类数据集，搭建Tensorflow框架完成数据增强处理，基于特征融合方式提出MobileNetV2-DenseNet121双模型结构，与Vgg16、MobileNetV2、DenseNet121模型对比实验，从四个评价指标验证，本文所提方法识别精度有不同程度提升。最后，基于PyQt5设计实现了课堂学习行为自主识别系统，操作简单，对本文研究进行可视化的GUI展示。

数据集

本文实验数据来源于开源数据和自采数据，共包含五类课堂行为图像，分别为交流、睡觉、玩手机以及看书，各类别数据展示如图11所示。为进一步阐述本文数据集，基于柱状图的行为对课堂行为分类数据集的分布情况进行说明
课堂行为数据展示

迁移学习

MobileNetV2和DenseNet121均采用ImageNet数据集训练的权重，即图中Source data为ImageNet数据集，通过Source data得到预训练的权重，直接在本文数据集，即Target Data下固定两个模型的权重，不做训练，直接用于特征提取，将两个模型提取的特征进行特征融合后，输入至全连接网络，仅仅训练全连接层的权重参数。
迁移学习