- 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。 Cascade-Mask R-CNN（9.2 FPS A100，53.9% AP）速度上高出 509%，精度高出 2%，比基于卷积的检测器 ConvNeXt-XL Cascade-Mask R-CNN 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？」 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
__init__() self.lstm = nn.LSTM(input_dim, hidden_dim, num_layers=2, bidirectional=True, batch_first =True) self.attention = nn.MultiheadAttention(hidden_dim*2, 8) # 时序注意力机制（聚焦关键教学行为） self.fc = nn.Linear(hidden_dim*2, 4) # 输出：环节划分/方法识别/学生专注度/互动有效性 def forward(self, x): # x: [ H, W] (B=批次, T=时序帧) B, T, C, H, W = x.shape x = x.view(B*T, C, H, W).permute(0,2,3,1 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Chasays
音频质量评估-2
音频质量评估-1：之前主要学习了音视频的编码和解码原理，和测试音频质量的方法。接下来继续学习下当前 短视频 领域的 视频质量测试方法。 Convert the images to grayscale grayA = cv2.cvtColor(imageA, cv2.COLOR_BGR2GRAY) grayB = cv2.cvtColor (imageB, cv2.COLOR_BGR2GRAY) # 5. 延时 网络因子 --- 带宽， 网络拥塞 除此之外呢，就是对视频画面也就是视频帧观感的评估， 业界有主观和客观的。 这种评估标准适合与线上无原始参考视频序列的无线和IP视频业务，或者输入和输出差异化的模型，比如说视频增强，视频合并等场景 测试框架 目前知晓的有2个，一个 QoSTestFramework，一个是Netflix
1.5K10编辑于 2021-12-06 - 来自专栏机器学习/数据可视化
模型评估方法-2
评估方法 在实际中，通常需要通过实现对学习器的泛化误差进行评估并进而做出选择。需要使用一个测试集来测试学习器对新样本的判别能力，然后以测试误差近似作为“泛化误差”。 在S上进行训练模型，在T上进行测试和评估误差，作为对泛化误差的估计。注意点： 训练/测试集合的划分应该尽量保持数据分布的一致性，避免因为数据划分过程而引入额外的偏差。 比如S中350个正例，350个反例；T中150个正例，150个反例 即使确定了划分比例之后，不同的划分方法仍然对模型的评估造成缺别。 交叉验证法 现将数据集合D划分成k个大小相似的互斥子集D_1,D_2,…,D_k。每个子集尽量保持数据分布的一致性，即从D中分层采样得到。 交叉验证法评估结果的稳定性和保真性在很大程度上是取决于k值，其最常用的是10，称之为10折交叉验证法。 交叉验证也需要随机使用不同的划分重复p次，最终的评估结果是p次k折验证的平均值。
74810发布于 2021-03-02 - 来自专栏小鹏的专栏
机器学习-2：MachineLN之模型评估
那么我的问题是： （1）为什么要评估模型？ （2）评估模型有哪些方法？ （3）不同的方法针对什么问题？ （4）根据评估的结果如何调优？ （5）根据评估结果怎么判定模型训练完成？ （2）评估模型有哪些方法？ 在（2）中回答过了。 （4）根据评估的结果如何调优？（都是基于深度学习的，?） 当训练集的效果（准确率）上不去，和贝叶斯估计（人的表现）存在一定差距的时候： （1）增加模型的复杂度。 还有像样本预处理： （1）归一化：img/255.0，img-0.5, img*2，将数据转化为[-1,1]. （2）减去均值除以方差。 （3）减去样本各通道的均值。 机器学习-1：MachineLN之三要素 2. 机器学习-2：MachineLN之模型评估 3. 机器学习-3：MachineLN之dl 4. 机器学习-4：DeepLN之CNN解析 5.
51720编辑于 2022-05-09 - 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。 ）：模型对“专注度评分”的预测与教师人工评估的相关系数达0.89，误报率4.5%（主要源于学生短暂思考时的“趴桌子”姿势）。 五、工程应用与实测效果 在某省3所中学（含2所初中、1所高中，共60个班级）试点部署，6个月实测数据如下：教学质量提升：学生课堂参与度（举手次数+专注度）平均提升28%，不良行为（玩手机、睡觉）发生率下降 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 - 来自专栏GIS与遥感开发平台
分类模型的评估指标 | 混淆矩阵（2）
遥感影像分类评估 书接上回，今天我们来看一看遥感影像分类是如何进行评估的。 01 概念 首先我们先了解一下什么是遥感影像分类。 对遥感影像分类结果进行评估就是一个通过比较检验样本与分类结果的符合程度来确定分类准确度的过程。 02 精度与准确度 在刚刚的概念中我们也了解到，评估是确定分类准确度的一个过程。 2 ---结果 kappa系数的计算结果处于（-1，1）之间，但一般情况下其结果处于（0，1）之间，且可分为五个级别来表示一致性： （0，0.2】表现为极低一致性； （0.2，0.4】表现为一般一致性； =20/(20+5+2)≈74% 3 ---用户精度 user accuracy=20/（10+10+20）=50% 4 ---错分误差 commission error =（10+10）/40 =1 -user accuracy=50% 5 ---漏分误差 omission error =（5+2）/27 =1-producer accuracy ≈26% 6 ---kappa系数 Po=0.53
3.5K30编辑于 2022-04-29 - 来自专栏机器学习算法工程师
《机器学习》笔记-模型评估与选择（2）
章节目录 经验误差与过拟合 评估方法 性能度量 比较检验 偏差与方差 个人觉得对于初学的同学，一开始便谈论模型评估和选择可能不太合适。建议这个章节可以快速阅读，有大概的轮廓和线条即可。 2 评估方法 通常，我们可以通过实验测试来对学习器的[泛化误差]进行评估，并进而做出选择。 我们假设测试样本是从样本真实分布中[独立同分布]采样而来。 ，从而降低了评估结果的保真性。 交叉检验中的“留一法”使用的训练集与初始化数据集相比只少了一个样本，这就使得在绝大多数情况下，留一法中被实际评估的模型与期望评估的用D训练出的模型很相似。因此，留一法的评估结果往往被认为比较准确。 另外，留一法的评估结果也未必永远比其他评估方法准确。 自助法 2.3 我们希望评估的是用D训练出的模型。
1.3K60发布于 2018-03-06 - 来自专栏音视频技术
在DropboxEdge网络上评估BBRv2
/ 剧透警告：BBRv2比BBRv1慢，但这是一件好事。 在2017年发布的博客文章“优化web服务器以实现高吞吐量和低延迟”中，我们评估了BBRv1在我们的edge网络上的拥塞控制的效果，结果显示它非常棒: 在2017年BBR实验期间桌面客户端的下载带宽 自从那以后 特别是像ethtool和iproute2这样的软件包。 连接级别的统计数据确认了BBRv2的带宽低于BBRv1，但仍高于CUBIC: 那么，是BBRv2较慢吗?至少在某种程度上是这样。那么，我们能得到什么回报呢?基于连接状态，实际上我们能得到很多东西。 然而，在我们的测试中，我们并没有看到BBRv1和BBRv2之间的CPU使用率有任何可测量的差异，但这可能是由于BBRv2启用了相当多的调试代码(目前:) BBRv1vs BBRv2上的Idle CPU
2.4K30发布于 2020-01-17 - 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。 2. 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FreeBuf
Umap2 | 开源USB host安全评估工具
Umap2是一款由NCC Group和Cisco SAS小组开发的、基于python的USB host安全评估工具。 它拥有第一版所支持的所有功能： umap2emulate：USB设备枚举 umap2scan：用于设备支持的USBhost扫描 umap2detect：USBhost操作系统检测（尚未实现） umap2fuzz 目前是使用pip进行安装： $ pipinstall git+https://github.com/nccgroup/umap2.git#egg=umap2 附属功能 Umap2的附属功能列在setup.py $ umap2emulate -P fd:/dev/ttyUSB0 -C ~/my_mass_storage.py 将来会有一个详细的添加设备的指南，同时，用户可以在umap2/dev/目录下查看umap2 中启动kitty fuzzer，并提供第一阶段生成的stages： $ umap2kitty -s keyboard.stages 3、开启fuzz模式的umap2键盘仿真 $ umap2fuzz -P
1.6K50发布于 2018-02-08 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ShowMeAI研究中心
NLP教程(2) | GloVe及词向量的训练与评估
2.词向量评估 前面的内容介绍了Word2Vec和GloVe模型来训练和发现语义空间中的自然语言词语的潜在向量表示。下面我们来看看如何量化评估词向量的质量。 2.1 词向量内部评估 词向量的内部评估是对一组由如Word2Vec或GloVe生成的词向量在特定的中间子任务(如词类比)上的评估。 (内在评价)] 2.4 词类比-不同方法表现 我们现在探讨使用内在评估系统(如类比系统)来调整的词向量嵌入技术(如Word2Vec和GloVe)中的超参数。 如果我们在外部评估中重新训练词向量，这就需要保证训练集足够大并能覆盖词汇表中大部分的单词。这是因为Word2Vec或GloVe会生成语义相关的单词，这些单词位于单词空间的同一部分。 2) Introduction 然而，最先进的嵌入方法都是基于相同的 bag-of-contexts 的单词。此外，分析表明，word2vec的 SGNS 隐含地分解了单词上下文的PMI矩阵。
1.4K71编辑于 2022-05-01 - 来自专栏用户4793365的专栏
2种常见软件项目工作量评估方法简述
前言 本文的目标读者是从事软件行业想快速了解软件开发过程工作量评估的人员。软件工作量评估方法很多，如代码行法、类比法、WBS、故事点、用例点、NESMA、FPA、cosmic、COCOMOⅡ等。 本文只是选取主流评估方法进行简述，每一种方法在实际操作过程中有若干条计数规则，在此并未阐述，并不能作为评估工作的实施指南。实际使用方法时，需以各方法发布机构发布的官方文档为准。 2、 确定计数范围和边界并识别功能用户需求 计数范围和边界需识别计数目的。不同的计数目的决定了计数范围和软件边界的划分。实际使用过程中通常为系统的管理边界， 特殊系统会以架构为边界。 2） 识别外部输出（EO）：是发送数据或控制信息到系统边界外部的一个基本过程。其首要目的（PI）是通过处理逻辑呈现信息给用户，并非或者另外检索数据或控制信息。 如应用类型、质量特征、开发语言、团队背景、评估时点等。 计算调整后的功能点数 AFP=UFP*SAF 3） 确定生产率PDR 可根据系统特点测算组织级系统基准生产率。
9.7K20发布于 2019-06-17 “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简介 BUSCO（Benchmarking Universal Single-Copy Orthologs）主要用于转录组和基因组组装质量进行评估的软件。 BUSCO 对拼接结果的评估与 quast 不同，它并不追求基因组拼接的长度，而关注的是是否将一些单拷贝直系同源基因拼接出来。 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。 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 - 来自专栏核心板
【测试】HD-G2L-IO评估板测试结果表
图1.1 HD-G2L-IOT 2. 测试目的 为了评估系统对不同类型的TF卡读写的性能和稳定性，以及确定系统是否可以正确地读取和写入数据。 该报告适用于使用5种以上不同规格品牌TF卡在HD-G2L-IOT评估板上的读写速度测试。 2.1测试结果 表2.1 从上表测试结果可以看出，在基于HD-G2L-IOT评估板测试9种不同规格品牌的TF中，各品牌规格TF卡可以正常识别使用，其中闪迪&海康威视&金士顿三种品牌的TF卡在评估板上都有较好的读写性能表现 ，能较大程度满足使用需求，用户可以选择以上TF卡用于HD-G2L-IOT评估板的项目开发。 测试过程 4.1硬件准备 HD-G2L-IOT评估板、HD-G2L-CORE V2.0核心板、网线、Type-c数据线、12V适配器、UART模块、电脑主机。
66920编辑于 2023-03-08 - 来自专栏DrugOne
Structure | 评估AlphaFold2在肽结构预测上的表现
图 1 AF2（AlphaFold2）的可用性是朝着高精度蛋白质结构预测迈出的一大步。 AF2在CASP14中所做的一些相对较差的预测其中包括由NMR确定的蛋白质结构，这引发了一个问题：对于灵活的肽结构是否也会观察到类似的模式。因此，需要全面的基准来评估AF2在肽结构建模中的实用性。 虽然正在进行关于评估AF2预测肽-蛋白质复合体结构的性能的工作，但AF2在小肽结构预测上的表现仍未被探索。 在这项工作中，作者的目标是为使用AF2预测10到40个氨基酸长的肽的结构奠定基础，并将AF2的性能与其他肽预测方法进行比较。作者试图理解AF2是否适用于大规模建模通过实验方法难以获得的肽结构。 可溶性α-螺旋肽的异常值再次表明AF2在预测螺旋-转角-螺旋结构时遇到困难（图2D）。此外，对于1AMB，AF2完全未能预测α-螺旋结构，RMSD为每个残基0.369埃（图2D）。
65810编辑于 2024-04-28
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