- 综合排序
- 最热优先
- 最新优先
- 来自专栏燧机科技-视频AI智能分析
AI课堂教学质量评估系统算法
AI课堂教学质量评估系统算法通过yolov7网络模型框架利用摄像头和人脸识别技术，AI课堂教学质量评估系统算法实时监测学生的上课表情和课堂行为。 同时，还结合语音识别技术和听课专注度分析算法，对学生的听课专注度进行评估，生成教学质量报告，并提供针对性的改进建议，帮助教师发现问题并进行针对性的改进，提升教学效果。 此外，AI课堂教学质量评估系统算法在训练过程中研究者发现使用动态标签分配技术时，具有多个输出层的模型在训练时会产生新的问题：「如何为不同分支的输出分配动态目标？」 除了AI课堂教学质量评估系统算法架构优化之外，该研究提出的方法还专注于训练过程的优化，将重点放在了一些优化模块和优化方法上。这可能会增加训练成本以提高目标检测的准确性，但不会增加推理成本。 AI课堂教学质量评估系统算法研究者将对计算层的所有计算块应用相同的组参数和通道乘数。然后，每个计算块计算出的特征图会根据设置的组参数 g 被打乱成 g 个组，再将它们连接在一起。
1.2K40编辑于 2023-09-10 - 来自专栏燧机科技-视频AI智能分析
老师上课教学质量评估分析系统
一、引言 我国基础教育阶段专任教师超1800万人（《2025中国教育发展统计公报》），传统教学评估存在主观性过强（评教结果标准差＞0.35）、数据维度单一（仅覆盖30%课堂行为）等痛点。 本文提出基于YOLOv7目标检测与时空特征融合的智能评估系统，通过多光谱感知网络-动态行为建模-分级反馈联动技术架构，实现0.3-15m/s全场景检测精度（实验室数据），实测响应延迟＜0.6秒。 系统已在深圳龙岗区（覆盖320间智慧教室）部署，日均生成评估报告1800+份，教师教学改进采纳率达82%。 声纹分析（语音情感）、激光雷达点云 动态阈值调整：雨季提升板书清晰度检测灵敏度至0.82 （三）软件平台功能 边缘预警终端 集成定向声波模块（声压级≥95dB，支持20米内定向提醒） LED警示屏动态显示评估指标
24110编辑于 2026-01-08 - 来自专栏燧机科技-视频AI智能分析
学生课堂行为识别教学质量评估算法
学生课堂行为识别教学质量评估算法利用教室安装的摄像头，学生课堂行为识别教学质量评估算法对学生的表情状态、课堂表现和互动行为进行全面监测。 学生课堂行为识别教学质量评估算法使用到的YOLO框架模型，其全称是You Only Look Once: Unified, Real-Time Object Detection，其实个人觉得这个题目取得非常好 学生课堂行为识别教学质量评估算法之所以选择yolo框架，是因为Yolo采用卷积网络来提取特征，然后使用全连接层来得到预测值。 学生课堂行为识别教学质量评估算法在训练之前，先在ImageNet上进行了预训练，其预训练的分类模型采用图8中前20个卷积层，然后添加一个average-pool层和全连接层。 使用YOLOv7 做学生课堂行为识别教学质量评估算法训练，该模型在在 5 FPS 到 160 FPS 范围内，速度和精度都超过了所有已知的目标检测器并在V100 上，30 FPS 的情况下达到实时目标检测器的最高精度
69120编辑于 2023-09-10 - 来自专栏燧机科技-视频AI智能分析
教学质量评价系统
112,112,224,224]] # 优化小目标锚框（手势/教具） model.train(data='teaching_quality.yaml', epochs=200, imgsz=1280) # 基于10 （二）误报率控制 时序行为过滤：通过LSTM分析连续10帧状态，排除“学生短暂调整坐姿”等干扰（如“抬头看黑板”判定为“专注”而非“随机动作”）； 环境自适应：接入教室灯光传感器，强光下提升近红外通道权重 1.0%1.9%极端环境可用性-暴雨天＞76%典型案例：小组讨论有效性分析：通过声纹分离技术（＞3人对话触发），识别“有效协作”（发言时长均衡）与“无效讨论”（个别主导），准确率达91%； 板书与讲解同步性评估
29000编辑于 2026-01-11 - 来自专栏sktj
python 多线程 性能评估(并行编程 10)
starting tests non_threaded (1 iters) 0.000001 seconds threaded (1 threads) 0.000139 seconds Iterations complete non_threaded (2 iters) 0.000001 seconds threaded (2 threads) 0.000289 seconds Iterations complete non_threaded (4 iters) 0.000002 seconds threaded (4 threads) 0.000577 seconds Iterations complete non_threaded (8 iters) 0.000003 seconds threaded (8 threads) 0.001275 seconds Iterations complete ##################### from threading import Thread
72620发布于 2019-07-30 - 来自专栏FreeBuf
2023版漏洞评估工具Top10
前言 对于发现资产中已知漏洞、配置不当等问题的工具，大家习惯性称之为“漏洞扫描”工具，但随着技术演进，很多工具越来越智能，逐渐具备分析总结能力，因此将它们称为“漏洞评估”工具似乎更准确。 大多数漏洞评估工具都能覆盖常规漏洞，例如OWASP Top10，但一般都各有所长。常见的区分维度包括部署灵活性、扫描速度、扫描准确度以及与流程管理、代码开发等平台的整合性。 另外，针对容器方向的漏洞评估工具，尽管有一些新工具出现，如Anchore,Clair, Dagda，Trivy，但大量用户反映这些工具存在功能不全、整合性差等问题，因此考虑到易用性，本文仅推荐OSV-Scanner OpenVAS （终端和网络） 传送门 https://www.openvas.org/ Nessus是Tenable发布的一款全球领先的漏洞评估产品。 而OpenVAS是Nessus的一个开源分支，功能丰富，漏洞来源广泛，可对传统端点和网络进行大规模的漏洞评估。
2.4K20编辑于 2023-02-24 - 来自专栏燧机科技-视频AI智能分析
教师教学质量分析评价系统 A教育大模型
一、引言 课堂教学质量是影响学生学习成效的核心要素，传统评价依赖人工听课（主观偏差＞30%）、课后问卷（滞后性＞24小时），难以实现“行为-表情-参与度”的全维度量化分析。 （7类基础情绪）的毫秒级识别，以及教学质量核心指标（参与度、专注度、情绪反馈）的量化评估。 、行走）、7类表情标签（开心、厌恶、愤怒、悲伤、沮丧、恐惧、无表情）； RNN时序分析模型：基于YOLOv12连续15帧检测结果（行为序列、表情持续时间），通过LSTM网络识别“持续专注（无不良行为＞10 实验室数据（NVIDIA A100 GPU训练，PyTorch 2.3框架）显示，优化后模型在课堂数据集上mAP@0.5达97.6%，单帧检测耗时10ms（100FPS），较YOLOv11基线模型提升39% 教师教学质量分析评价系统基于YOLOv12+RNN的深度学习算法，教师教学质量分析评价系统精准地检测到学生是否在玩手机、举手、睡觉、交头接耳、趴桌子、行走运动等行为。
54710编辑于 2025-12-31 10个YashanDB数据库性能评估标准
本文将围绕YashanDB的核心架构和技术，系统地阐释其数据库性能评估的关键标准。目标读者为数据库架构师、系统管理员及专业技术人员，旨在通过技术性指标的解读，助力性能诊断和优化。1. 10. 网络通信与资源协调YashanDB的内部通信依赖高性能的内部互联总线（IN），分别对应分布式（DIN）和共享集群（CIN）通信场景。
18810编辑于 2025-10-16- 来自专栏燧机科技-视频AI智能分析
课堂教学质量评价分析系统 AI+教育
一、引言：教育数字化转型的技术刚需 随着“AI+教育”战略深化，课堂教学质量评价正从主观经验判断转向数据驱动的精准分析。 通过轻量化骨干网络（CSPDarknet53-Tiny）实现60FPS实时视频流处理，在实验室环境下对6类学生行为（玩手机/举手/睡觉/交头接耳/趴桌/行走）的平均识别准确率达92.3%（实测数据集含10 行为检测}A --> C{CNN表情识别}B & C --> D[情感模型融合]D --> E[视线跟踪关联知识点]E --> F[Spark流式计算引擎]F --> G[课堂热力图生成]G --> H[教学质量评估报告 课堂教学质量评价分析系统的核心技术基于YOLOv11和CNN算法，课堂教学质量评价分析系统检测到的行为数据（如玩手机、举手、睡觉、交头接耳、趴桌子、行走运动）和表情数据（如开心、厌恶、愤怒、悲伤、沮丧、 同时，系统还会结合视线跟踪技术，将学生的视线聚焦点与当前教学知识点进行关联，从而更精准地评估学生对知识的接受程度。
47210编辑于 2025-12-28 - 来自专栏应兆康的专栏
10. 用开发集和评估指标来加速迭代
这就是开发集和评估指标是非常重要的原因：每当你尝试一个新的idea 时，在开发集上衡量idea的表现，可以很清楚的知道你是否朝着正确的方向前进。 相反，如果你没有特定的开发集或评估指标。 有一个开发集和评估指标，可以让你很快的检测出那些想法给你的系统带来了提升，你就可以快速的决定可以对哪些想法进一步的完善，哪些想法可以舍弃。
54110发布于 2018-05-30 - 来自专栏应兆康的专栏
10. 用开发集和评估指标来加速迭代
这就是开发集和评估指标是非常重要的原因：每当你尝试一个新的idea 时，在开发集上衡量idea的表现，可以很清楚的知道你是否朝着正确的方向前进。 相反，如果你没有特定的开发集或评估指标。 有一个开发集和评估指标，可以让你很快的检测出那些想法给你的系统带来了提升，你就可以快速的决定可以对哪些想法进一步的完善，哪些想法可以舍弃。
79380发布于 2018-05-09 AI 教学质量监测平台：让课堂质量看得见、改得快
提到 “教学质量监测”，很多老师会想到繁琐的听课记录、堆积的学生作业，管理者则头疼数据零散、评价主观。 而 AI 教学质量监测平台的出现，就像给教学装上了 “智能显微镜”，用技术打破传统监测的痛点，让课堂里的每一个细节都能被精准捕捉、科学分析。 老师不用等期末评估，上完课就能收到反馈，及时调整教学；管理者不用跑遍所有教室，通过平台就能掌握全校教学情况，精准帮扶薄弱环节。当然，AI 不是要替代老师，而是成为教学的 “得力助手”。 未来，随着技术升级，AI 还能实现个性化监测 —— 针对不同学科、不同学段，定制专属的监测指标，让教学质量提升更精准、更高效。 简单说，AI 教学质量监测平台，就是用技术让课堂质量 “看得见、摸得着、改得快”，让每一堂课都能越上越好，让每一位学生都能受益。
38810编辑于 2025-11-26- 来自专栏DeepHub IMBA
机器学习中评估分类模型性能的10个重要指标
在这篇文章中，我们将学习10个最重要的模型性能度量，这些度量可用于评估分类模型的模型性能。 以下是我们将通过示例以相互关联的方式研究的10个指标： Confusion Matrix Type I Error Type II Error Accuracy Recall or True Positive 为了便于理解，我们在样本中抽取了10个人。 要绘制ROC曲线，我们必须绘制（1-特异性），即x轴上的假阳性率和y轴上的敏感性，即真阳性率。
1.9K10发布于 2020-06-04 “大模型安全评估”需要评估哪些？
因此，构建一套科学、系统、多维度的安全评估体系，不再是可选项，而是确保其健康发展的必然要求。 #大模型备案##安全评估##生成式人工智能#一、语料安全评估二、生成内容评估暴力、仇恨与非法内容： 评估模型是否会生成宣扬暴力、恐怖主义、种族歧视、性别歧视、仇恨言论等的内容。 三、涉知识产权、商业秘密评估四、涉民族、信仰、性别等评估五、涉透明性、准确性、可靠性等评估事实准确性与反幻觉： “幻觉”是指模型生成看似合理但实则错误或虚构的信息。 评估需检验模型在知识密集型任务（如问答、摘要）中的事实准确性，及其对不确定信息的处理能力。逻辑一致性与连贯性： 评估模型在长文本生成或多轮对话中，是否能在逻辑上保持前后一致，避免自相矛盾或答非所问。 六、模型性能(拒答率）评估大模型的安全评估是一个动态、持续且多学科交叉的复杂工程，它需要技术专家、伦理学家、法律学者、社会科学家和领域专家的共同参与。
61910编辑于 2025-08-26- 来自专栏生信喵实验柴
BUSCO 评估
背景 用于转录组和基因组组装质量进行评估的软件，前面介绍了quast，今天的是busco，对于动物植物较大的基因组拼接结果评估，这个软件很好用。 BUSCO 评估的原理其实不难，软件根据 OrthoDB 数据库，构建了几个大的进化分支的单拷贝基因集。 conda activate busco #列出数据库 busco --list-datasets #下载数据 busco --download bacteria_odb10 busco -i kmer45 .scafSeq -o busco -m geno -c 12 --offline -l busco_downloads/lineages/bacteria_odb10/ #利用 busco 结果绘图 包括基因组组装评估（all）、转录组组装评估（OGS）以及基因预测评估（trans） 其他选项 -sp ：做 AUGUSTUS 用于训练的物种名字 -e ：blast 的 e 值
2.1K41编辑于 2022-05-23 - 来自专栏生信喵实验柴
quast评估
一、组装结果评估 1、准确性 基因组大小接近真实大小，拼出来的一般小于真实大小； GC含量接近真实GC含量，一个物种含量固定，可以判断污染； 基因组框架没有问题； 三、quast评估 今天给大家介绍一款，quast QUAST: Quality Assessment Tool for Genome Assemblies，可以对不同软件拼接的基因组序列， 软件官网：QUAST：http://bioinf.spbau.ru/quast #quast 评估案例： quast.py -r MGH78578.fasta spades.fa soapdenovo.fa
1.7K20编辑于 2022-05-23 - 来自专栏Rust语言学习交流
【Rust日报】2023-10-12 论文：利用公共信息评估 Rust 代码库
论文 - 利用公共信息评估 Rust 代码库 作者 Emil Eriksson 是 Lund University 的硕士学生，今年春天发布了其硕士论文 Evaluation of Rust Codebases downloadFile&recordOId=9133685&fileOId=9133688 文章 - 如何优化 Rust 多架构发布 Qovery 旨在简化开发者通往生产环境的过程，其团队正在使用 Rust 开发 10 新一期的 Rust 周报速递发布，快来看看有哪些内容你曾经关注过 :) This Week in Rust 516: https://this-week-in-rust.org/blog/2023/10
26010编辑于 2023-10-18 - 来自专栏用户8715145的专栏
主机安全风险评估的类型 评估工具
在实际使用中难免会遇到一些病毒，所以大家采购时会有一些主机安全风险评估，会选择一些相对平稳的主机，以免后期运用造成数据的丢失和工作效率低下的问题。 那么主机安全风险评估有哪些种类，和怎么控制风险的发生呢，小编给大家整理了一下相关介绍。 安全风险评估和工具 电脑的使用现在已经很普遍了，使用电脑就会有一些隐私的数据，想达到数据的安全以及防止数据的安全性，我们要对主机进行一个安全风险的评估。安全风险评估分为哪些呢？ 风险评估一方面是对安全手段的评估，另一方面要对实际安全效果的评估。要想达到这种目的，我们要通过安全扫描、手工检查、渗透测试、安全审计、安全策略等方法进行安全风险评估。 企业更要有安全意识，把基础网络和重要信息的制度输入给员工，结合开展风险评估、应控等形式提高基础网络和信息系统的维护。
1.8K30编辑于 2021-12-03 - 来自专栏zingpLiu
模型评估
文章从模型评估的基本概念开始，分别介绍了常见的分类模型的评估指标和回归模型的评估指标以及这些指标的局限性。部分知识点举例加以阐述，以便加深理解。 所以，为了得到泛化误差小的模型，在构建机器模型时，通常将数据集拆分为相互独立的训练数据集、验证数据集和测试数据集等，而在训练过程中使用验证数据集来评估模型并据此更新超参数，训练结束后使用测试数据集评估训练好的最终模型的性能 2 评估指标的局限性 在模型评估过程中，分类问题、排序问题、回归问题往往需要使用不同的指标进行评估。在诸多的评估指标中，大部分指标只能片面地反映模型的一部分性能。 如果不能合理地运用评估指标，不仅不能发现模型本身的问题，而且会得出错误的结论。 3 分类模型的评估指标 正样本：需要判定概率为1的类型的样本叫做正样本。 第三，可以找一个更合适的指标来评估该模型。
1.7K30发布于 2019-04-01 - 来自专栏SAP ERP管理实践
SAP 物料的“评估类型”和“评估类别”
由于“分割评估”涉及技术部分更多，将主要步骤分享如下： 一、后台定义部分 （1）激活“分割评估”功能； （2）定义“评估类型”（ValuationType)（如本文中提到“自制品”、“外购品”两种评估类型 ，并选择相应帐户分类参考参数（与评估类相关），评估类型是评估类别的细分）； （3）定义“评估类别”（ValuationCategory)（分割评估的标准，将其中的评估类型与相应工厂激活）； （4）定义“ 评估区域”（ValuationArea)（评估区域可以公司范围内，也可以在工厂范围内） 二、前台操作部分 （1）定义物料主数据，将评估类别定义在会计视图中（其价格控制须选移动平均价V）； （2）定义“评估类型 ”为自制品的物料主数据（其评估级别与价格控制据需要填制）； （3）定义“评估类型”为外购品的物料主数据（其评估级别与价格控制据需要填制）； 注：前台操作第一步为第二步、第三步奠定基础，起作用的将是各制带评估类别的物料 三、相关关联部分 （1）“评估类型”分配给“评估类别”，再与物料主数据关联； （2）“评估类”（ValuationClass)分配给“物料类型”（MaterialType),再与物料主数据关联； 带有分割评估的物料
9.8K44发布于 2021-04-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号