基于改进YOLO11的学生课堂行为识别研究
高扬
太原师范学院计算机科学与技术学院 山西晋中 030619
摘要：目前计算机视觉技术逐步应用于学生课堂行为识别场景,但学生课堂行为存在后排学生识别精度低、遮挡场景识别不准确等问题,文章基于YOLO11提出一种改进的学生课堂行为识别算法.通过在主干网络中引入感受野注意力卷积(RFAConv),扩大空间特征感受野,实现对全局信息的捕捉;在Neck部分中小目标检测层后加入多尺度膨胀注意力机制(MSDA),提升对遮挡场景中后排学生行为的识别准确率,同时提出自适应特征融合(ASFF)检测头,使用自适应特征融合机制对不同尺度的图像进行融合,提升检测头对图像的检测精度.在自建学生课堂行为数据集以及在公共数据集SCB-Dataset3-S上的mAP50值相较于基线YOLO11n模型分别提升1.8％与2.1％.为学生课堂行为的深入分析提供了有效的途径与方法,对智慧课堂的发展具有重要意义.
关键词：YOLO自适应特征融合感受野注意力卷积智慧课堂
资助基金：山西省科技战略研究专项重点项目(202304031401011)
论文发表日期：2025-08-25
在线出版日期：2026-05-22（本平台首次上网日期，不代表文献的发表时间）
页数：5( 5-9 )