- 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 （如后排学生低头率＞30%） 自动生成结构化报告（含时间、位置、行为类型、改进建议） 支持与教务系统联动，自动触发教学督导工单 三、关键技术突破 （一）复杂场景检测优化 微小动作识别：采用Mosaic9+
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Python与算法之美
9，模型的评估
除了使用estimator的score函数简单粗略地评估模型的质量之外， 在sklearn.metrics模块针对不同的问题类型提供了各种评估指标并且可以创建用户自定义的评估指标， 使用model_selection 模块中的交叉验证相关方法可以评估模型的泛化能力，能够有效避免过度拟合。 一，metrics评估指标概述 sklearn.metrics中的评估指标有两类：以_score结尾的为某种得分，越大越好， 以_error或_loss结尾的为某种偏差，越小越好。 二，分类模型的评估 模型分类效果全部信息： confusion_matrix 混淆矩阵,误差矩阵。 ? 模型整体分类效果： accuracy 正确率。通用分类评估指标。 三，回归模型的评估 回归模型最常用的评估指标有： r2_score(r方，拟合优度，可决系数) explained_variance_score(解释方差得分) ? ?
96631发布于 2020-07-17 - 来自专栏燧机科技-视频AI智能分析
教学质量评价系统
三、关键技术突破 （一）复杂场景检测优化 小目标教学动作识别：采用Mosaic9+MixUp数据增强（实验室数据：手势mAP@0.5提升38%），结合注意力引导特征金字塔（AGFPN），解决板书遮挡下的手势漏检问题 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。 = nn.Sequential(BiFPN(in_channels=[256, 512, 1024]), model.model[-1])（二）RNN时序行为研判模型设计 基于LSTM网络构建专注度评估引擎 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 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 - 来自专栏算法channel
机器学习分类问题：9个常用的评估指标总结
你好，我是zhenguo 对机器学习的评估度量是机器学习核心部分，本文总结分类问题常用的metrics 分类问题评估指标 在这里，将讨论可用于评估分类问题预测的各种性能指标 1 Confusion Matrix 9 LOGLOSS (Logarithmic Loss) 它也称为逻辑回归损失或交叉熵损失。它基本上定义在概率估计上，并测量分类模型的性能，其中输入是介于0和1之间的概率值。 machine_learning_algorithms_performance_metrics.htm https://towardsdatascience.com/understanding-auc-roc-curve-68b2303cc9c5
1.9K10编辑于 2022-09-06 - 来自专栏TopSemic嵌入式
Ublox ZED-F9P 厘米级定位模组开箱评估
最近因为工作需要，在评估Ublox的ZED-F9P高精度定位模组，该模组定位精度号称厘米级，从官方的数据手册看，在RTK条件下，定位精度高达1cm，这个感觉还是挺牛的，因为目前还没有听到一个小模组就能实现这么高的定位精度 于是从代理商那里借了一个该模组的开发板，官方链接：https://www.u-blox.com/en/product/c099-f9p-application-board ? 真正用来接收定位数据的是ZED-F9P对应的那个串口COM73。 还有其他虚拟串口会安装，如果安装不成功就暂时不用管了，只要上面那个ZED-F9P对应的串口安装成功即可。 接下来就是如何评估定位精度的问题了，Ublox有一个非常牛掰的软件叫u-center,大家可以去官网下载，该软件功能非常强大，是研究GPS的一大利器。
1.3K50发布于 2021-05-31 - 来自专栏老张的求知思考世界
全链路压测(9)：容量评估和容量规划
这篇文章，我想为大家介绍下容量评估和容量规划的相关知识。 理解容量 如何定义容量？ 容量即系统处于某种负载状态或某项指标达到所能接受的最大阈值下对请求的最大处理能力。 如何理解容量？ 建议通过混合场景来验证： 订单服务有四个核心API； 订单服务的服务器配置是4C8G； 容量测试脚本要综合考虑4个API的流量配比和流量模型； CPU%≤40%，核心链路RT≤50ms下，测试结果就是单机容量； 容量评估 容量评估我在之前的文章《性能测试从零开始实施指南——容量评估篇》中已做过详细介绍，这里不多做赘述。 关于容量评估，参考下面两张思维导图，更容易理解。 容量评估九步走流程图 容量评估职责内容划分 容量规划 容量规划的价值 互联网公司成本 人力成本； 硬件成本； 运营成本； 容量规划的价值 为性能优化提供参考； 提高资源使用率， 降低成本； 不断促进基础技术设施的建设和优化
3.5K10编辑于 2022-05-17 - 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。 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 - 来自专栏探索RPA
RPA机器人流程适用性评估的9个要素
9、不在IT系统的路线图上 替换旧系统可以比RPA更有效的自动化流程，RPA机器人需要依赖屏幕抓取并可能引入错误。此外，为流程安装两个自动化方法没有意义。
71120发布于 2020-02-12 - 来自专栏耕耘实录
Linux系统下漏洞扫描、评估工具OpenVAS9的安装与使用
本文主要介绍OpenVAS9在CentOS 7.2.1511 (minimal install)系统上的安装与使用过程，在安装的前一部分中请在root账户下执行各项操作。
2.2K20发布于 2018-12-20 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“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 - 来自专栏杨建荣的学习笔记
通过Snapshot Standby来精确评估SQL性能 (r9笔记第73天)
所以我隆重推荐使用Snapshot Standby来实现这类需求，评估性能，预估影响范围和操作时间，在完全一致的数据基础上操作，得到的数据更加有说服力。 如此一来有了很精确的评估，所以实施起来就会很得心应手，而在部署前，得到的临时调整，需要修改的id变为了38万，当然看起来数据翻了一倍，但是执行效率还是杠杠的。大概是30秒就顺利完成。
69630发布于 2018-03-19 - 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