- 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。 预训练之后，在预训练得到的20层卷积层之上加上随机初始化的4个卷积层和2个全连接层。由于检测任务一般需要更高清的图片，所以将网络的输入从224x224增加到了448x448。
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
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) 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。 四、系统工作流程与核心优势 （一）全流程闭环评价机制 实时监测：相机每33ms采集一帧图像，边缘节点并行执行YOLOv12检测、LSTM专注度评估、情感-行为关联分析； 动态反馈：每5分钟生成一次课堂简报 52%； 教师反馈：89%教师认为“实时专注度热力图”有助于调整教学节奏，76%表示“情感分析报告”揭示了学生隐性需求（如对抽象概念的抵触）； 效率优化：替代人工听课记录岗位2个（原需4人轮岗），单教师可查看全班 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 - 来自专栏全栈程序员必看
db4o java,db4o Java版性能测试评估
public class Testdb4oIndex { public static class Record { String strKey; long intKey; }; public 100000; static public void main(String[] args) { new File(FILE).delete(); Configuration conf = Db4o.configure Integer.MAX_VALUE); conf.automaticShutDown(false); conf.lockDatabaseFile(false); ObjectContainer db = Db4o.openFile
38710编辑于 2022-09-13 - 来自专栏芋道源码1024
如何精确评估开发时间的 4 个小套路？
来源：http://t.cn/E6rf8uT 评估开发时间的重要性 初学者为什么评估不准？ 如何精确评估开发时间 1、任务拆分 2、合理认知时间 3、预留buffer(缓冲区) 4、回头看 总结 ---- 一个程序员能否精确评估开发时间，是一件非常重要的事情。 APP需求迭代为例，项目计划像这样： 1.UI设计图 11.01 - 11.03（3工作日） 2.API接口讨论与设计 11.04（1工作日） 3.移动端开发 11.05 - 11.15（8工作日） 4. 越是老程序员越是“胆小”，评估时间越准。 如何精确评估开发时间 最近几年，我都是以小时为单位进行时间评估的，有没有觉得有点恐怖？长期以来这样的习惯让我收获颇多。 4、回头看 在实际开发过程中，测量实际花费时间，并与估算相比较。如果有些地方相差较大，就要看差在哪里，然后在下次预估中避免相同的差错。 总结 编程经验不等同于估算经验。
2.3K20发布于 2019-06-21 - 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。 本文以《课堂教学质量评价分析系统》为例，深度拆解其融合计算机视觉、情感计算与大数据分析的底层技术架构，为教育科技开发者提供可复用的工程实践方案。 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blog-技术博客
人工智能_4_k近邻_贝叶斯_模型评估
tf.fit_transform(x_train) # print(tf.get_feature_names()) # 全部文章中所有的词 x_test = tf.transform(x_test) # 朴素贝叶斯进行评估 常用于文本分类 缺点: 前提是一个词的出现与另一个无关,当词之间出现关联时,效果不好 if __name__ == "__main__": # knnCls() naviebayes() pass 模型评估 ) y_true:真实目标值 y_pred:估计器预测目标值 terget_names:目标类别名称 return:每个类(目标值)的精确率与召回率 模型选择与调优 交叉验证:让别评估模型更加准确 param_grid=none,cv=None) estimator:估计器(knn) 此时估计器中不用再写超参数 param_grid:估计参数 {"n_neighbors":[1,2,3,4,5 sklearn.model_selection import GridSearchCV gc = GridSearchCV(KNeighborsClassifier(),param_grid={"n_neighbors":[1,2,3,4,5
62220发布于 2020-05-08 - 来自专栏贾志刚-OpenCV学堂
OpenCV4 C# YOLO11姿态评估模型部署
YOLO11姿态评估模型 YOLO11是YOLOv5跟YOLOv8作者推出最新升级版本模型，支持分类、检测、分割、姿态评估、OBB。 这里以YOLO11姿态评估模型为例，演示OpenCV C#如何运行，YOLO11-pose模型的输入与输出。 (3, 0), kypt.At<float>(3, 1)), Scalar.RandomColor(), 2); // nose->right_eye->right_ear.(0, 2), (2, 4) 2); Cv2.Line(frame, new Point(kypt.At<float>(2, 0), kypt.At<float>(2, 1)), new Point(kypt.At<float>(4, 0), kypt.At<float>(4, 1)), Scalar.RandomColor(), 2); // nose->left_shoulder->left_elbow->left_wrist
12010编辑于 2026-04-02 - 来自专栏HyperAI超神经
谷歌发布 HEAL 架构，4 步评估医学 AI 工具是否公平
作者：加零 编辑：李宝珠，三羊 面向健康公平问题，Google 团队开发了 HEAL (The health equity framework) 框架，能够定量评估基于机器学习的医疗健康方案是否「公平」 ) 框架，能够定量评估基于机器学习的医疗健康方案是否「公平」。 HEAL 架构：4 步评估皮肤科 AI 工具公平性 HEAL 框架包含 4 个步骤： 确定与卫生健康不公平有关的因素，并定义 AI 工具性能指标 明确并量化先前存在的健康差异 (disparities) 此外，研究人员选择 top-3 agreement 作为评估 AI 工具性能的指标，其定义是，AI 建议的前 3 项条件中至少有一项与皮肤科专家小组的参考诊断相匹配的病例比例。 * 公平性评估：在模型部署前后，都应进行公平性评估。这包括使用各种公平性度量标准来评估模型对不同群体的影响，并根据评估结果进行必要的调整。
39410编辑于 2024-05-13 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- 来自专栏深度学习与python
以 Log4j 为例，如何评估和划分安全风险
那么，安全专业人员如何评估漏洞可能带来的风险，并将组织的精力集中在修复那些最重要的漏洞上呢？ 3 评估和划分潜在的漏洞利用 在根据漏洞的可利用性对其进行划分并以此来确定修复优先级时，你需要考虑以下的部分或全部标准： 漏洞的严重程度：CVSS(Common Vulnerability Scoring 4 限制侦察活动 攻击者通常会根据事先准备好的剧本，使用在 MITRE ATT&CK 中记录的战术和技术展开攻击活动。这些战术遵循的是网络杀伤链等模型，从侦察活动开始，然后再进行初步的攻击。 6 结论 Log4j 告诉我们，漏洞是不可避免的，但这不应该成为阻止组织使用开源代码作为创新和实现其他有价值的目标的障碍。 在指导组织开展安全工作时，安全主管们可以获取跨所有基础设施的应用程序流量的全面可见性，结合漏洞可利用性评估和优先级排序的策略，在寻找攻击痕迹时持续保持警惕，降低与 Log4j 和下一个重大漏洞相关的风险
56430编辑于 2022-06-11 - 来自专栏生信技能树
第4篇：对ATAC-SeqChIP-seq的质量评估（一）——phantompeakqualtools
ChIP-Seq质量评估 在下游分析前，最好是先对peak calling 后的ChIP-Seq数据进行质量评估。 failed experiment 交叉相关性质量评估度量值 交叉相关谱图可以计算评估ChIP_Seq实验信噪比的度量值，并且实验设计确保fragment length准确。 包含的信息如下： COL1：Filename：比对过滤的bam文件名 COL2：numReads ：有效的测序深度 COL3：estFragLen：逗号分隔的交叉相关峰以相关性递减顺序排列的值 COL4: :交叉相关最小的链位移 COL8: min_corr:交叉相关最小值 COL9: Normalized strand cross-correlation coefficient (NSC) = COL4 / COL8 COL10: Relative strand cross-correlation coefficient (RSC) = (COL4 - COL8) / (COL6 - COL8) COL11
5.7K30发布于 2018-09-21 “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。 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。 import f1_score ROC ROC曲线 from sklearn.metrics import roc AUC ROC曲线下的面积 from sklearn.metrics import auc 4 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
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