- 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%。 __init__() self.c3d = nn.Conv3d(3, 64, kernel_size=(3,3,3)) # 时空特征提取 self.lstm = 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。 对于卷积层，主要使用1x1卷积来做channle reduction，然后紧跟3x3卷积。对于卷积层和全连接层，采用Leaky ReLU激活函数：max(x,0.1x)max(x,0.1x)。 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。
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
, 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 四、实测数据与效果 指标实验室数据（NVIDIA A100）实测数据（深圳龙岗区320间教室）教学环节划分精度96.5%93.2%学生专注度分析误差±3%±5%平均响应时间0.58s0.72s日均处理事件 -1850次误报率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：融合视觉（板书内容）与语音（讲解关键词），发现“板书滞后讲解5分钟”问题，推动教师调整节奏后学生笔记完整率提升40%。
29000编辑于 2026-01-11 - 来自专栏生信菜鸟团
转录组数据质量评估-3
生信技能树学习笔记 数据质量评估 FastQC软件可以对fastq格式的原始数据进行质量统计，评估测序结果，为下一步修剪过滤提供参考。 fastqc运行 目标：使用fastqc对原始数据进行质量评估 # 激活conda环境 conda activate rna # 连接数据到自己的文件夹 # 如果上面做习题的时候已经链接过来，无需再次链接 Asthma-Trans/data/rawdata ln -s /home/t_rna/data/airway/fastq_raw25000/*gz ./ # 使用FastQC软件对单个fastq文件进行质量评估
45610编辑于 2024-07-10 - 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。 /课时）”等行为模式，输出专注度评分（0-100分）； 情感-行为关联模型：融合表情识别结果（如“厌恶”表情持续＞5秒）与行为数据（如“趴桌子”频率），通过逻辑回归评估学生对课堂内容的情绪接受度（积极/ 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。 3. 认知状态关联层：视线跟踪与知识图谱映射 硬件协同：搭配低功耗眼动仪（采样率120Hz），捕捉学生视线落点与电子白板/投影区域的时空对应关系。 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 - 来自专栏数据分析1480
3个最常用的分类模型评估指标！
图1 那么自然地，一个多元分类结果可以分解为多个二元分类结果来进行评估。这就是为什么我们只讨论二元分类结果的评估。为了更加严谨的表述，我们使用变量 ? 来表示真实的结果， ? 表示预测的结果。 整个过程的直观图像如图3所示。 ? 图3 03 F-score 既然这两个指标往往是成反比的，而且在很大程度上，受预测标准的控制。那么只拿其中的某一个指标去评估预测结果是不太合适的。 具体的定义如公式（3），从数学上来看，它其实是查准率与查全率的调和平均数。对于二元分类问题， ? 综合考虑了预测结果的查准率和查全率，是一个比较好的评估指标。 ? 例如在实时竞价（RTB）广告行业，有3种参与者：需要在互联网上对产品做广告的商家，比如Nike；广告投放中介（DSP）；广告位提供者，比如新浪网。 也就是说，这三个指标并不能“很全面”地评估模型本身的效果，需要引入新的评估指标。
3.1K10发布于 2019-05-22 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- 来自专栏瓜农老梁
Q3# ZK集群内存过高风险评估
有两个节点x.x.x.88和x.x.x.15内存使⽤率过⾼，需要评估其能否扛得住。 内存约在使用超过95%执行该预案 2.应急操作 定向爆破 步骤 操作过程 1 将节点高风险域名指向高配机器x.x.x.122 2 下线该高风险节点迫使客户端触发重连 3 升级该高风险节点为高配机 备注
73760发布于 2021-10-14 - 来自专栏caoqi95的记录日志
深度学习笔记3-模型训练及模型评估指标
「学习内容总结自 udacity 和 coursera 的深度学习课程，截图来自 udacity 课件」 一.模型训练 1.为模型创建测试集 建立好一个模型之后我们要怎么评估它的好坏以及泛化的能力（由具体的 3.对于欠拟合的优化 出现欠拟合的情况，可以用下面的方法来优化： 建立一个更大的网络 训练的更久，采用优化算法--momentum，Adam，RMSprop 优化算法可以查看这篇笔记 神经网络结构的研究 二.模型评估 1.使用混淆矩阵评估模型 如下图所示，我们以去医院就诊为例（生病为阳性，健康为阴性）。 2.使用准确率，查准率和查全率来评估模型 准确率Accuracy 准确率(Accuracy)也是评估模型性能的一个指标。继续以上面10000名患者诊断为例。
3.6K20发布于 2019-03-27 “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 - 来自专栏一点人工一点智能
地下环境 | 九种3D Lidar-SLAM算法评估
这些方法的评估是在地下隧道执行任务期间从配备3D激光雷达Velodyne Puck Lite和IMU Vectornav VN-100的Boston Dynamics Spot机器人收集的数据集进行的。 在评估过程中，将机器人位姿和SLAM算法的3D隧道重建相互比较，以找到在位姿精度和地图质量方面性能最可靠的方法。 在本研究中，我们将在地下环境中对九种开源的ROS兼容的3D Lidar-SLAM算法进行实验评估。 这项工作的主要贡献是： （1）评估了九种基于SOTA激光雷达的3D SLAM方法，使用SubT数据集来证明它们在此类环境中的性能。 （2） 对所有方法的姿态估计和生成的环境3D图进行定量和定性比较，这将使机器人开发团队易于评估和理解其优缺点，包括为该应用选择SLAM算法框架。
91420编辑于 2023-08-25 - 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 - 来自专栏一点人工一点智能
地下环境 | 九种3D Lidar-SLAM算法评估
原文地址：地下环境 | 九种3D Lidar-SLAM算法评估 当机器人处在照明条件不足且无法使用GPS的地下（SubT）环境中，其自主导航是一项极具挑战性的任务，这也促进了姿势估计和建图算法的研究 在评估过程中，将机器人位姿和SLAM算法的3D隧道重建相互比较，以找到在位姿精度和地图质量方面性能最可靠的方法。 在本研究中，我们将在地下环境中对九种开源的ROS兼容的3D Lidar-SLAM算法进行实验评估。 这项工作的主要贡献是： （1）评估了九种基于SOTA激光雷达的3D SLAM方法，使用SubT数据集来证明它们在此类环境中的性能。 （2） 对所有方法的姿态估计和生成的环境3D图进行定量和定性比较，这将使机器人开发团队易于评估和理解其优缺点，包括为该应用选择SLAM算法框架。
1.9K40编辑于 2023-04-07 - 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”
（1）自产的价值与外购的价格不一样； （2）不同的制造商制造相同的物料，价格不同； （3）不同的产地制造相同的物料，价格不同； （4）相同物料不同批次有不同的价格； （5）破损及维修后的物料与新的物料价值不一样 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
9.8K44发布于 2021-04-23 - 来自专栏数据森麟
又是模型评估？到底怎么评估？『附 AUC 评估的三计算方法』
前面一节提到了模型评估指标中 ROC 的详细概念和四个常见的问题，以后在遇到 ROC 想必再也不会发懵了：聊聊模型评估的事儿，附 roc 常见的四个灵魂发问 但是一般在说到 ROC 的时候，就会不自觉地提到 所以，方法 3 在方法 2 的基础上进行了改进，将时间复杂度降低至 O(M+N)，M 为正样本个数，N 为负样本个数。 借鉴方法 2 中计算每个二元组中正样本得分大于负样本得分的二元组个数，方法 3 中计算每个正样本的 rank 大于负样本的 rank 的 rank 个数。 对于 B 而言，rank2=M+N-1=3，存在 2-2=0 个正样本得分比它小、3-2+1=2 个负样本得分比它小。 例如 样本 B 和样本 C 得分相同，B 的 rank=2，C 的 rank=3，则 rank_B=rank_A=(2+3)/2 AUC 的代码实现 直接通过 metrics 包调用 roc_curve
3.9K10发布于 2021-03-11
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