- 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
课堂教学行为质量评估分析系统 赋能科学教学
为提升教学过程可视化水平，部分学校试点部署了“课堂教学行为质量评估分析系统”。 需强调：AI无法“评估教学质量”或“生成学生画像”，仅能对摄像头视野内可见的课堂行为特征进行粗略统计，包括：出勤人数估算：教室内可见人脸数量（非精确点名）；前排就坐率：前两排区域人员占比（需预设区域）； 行为统计层结合MediaPipe Face Mesh估算头部朝向；设定前排电子围栏，计算就坐比例；统计每5分钟内的平均抬头率（定义为面部朝向黑板方向）。 三、部署优势与现实约束可利旧现有录播或巡课摄像头，降低初期投入；边缘部署避免大量视频上云，保障学生隐私；局限性：无法识别后排密集区域的个体行为；不适用于圆桌讨论、实验课等非标准课堂；不能反映教学内容质量或学生理解程度 结语AI在课堂教学分析中的角色，不是“教学裁判”，而是“数据助手”。它无法衡量一堂课是否精彩，但可以告诉你“今天有多少学生坐在前排”。
43310编辑于 2026-02-02 - 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。
1.3K40编辑于 2023-09-10 - 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。 实测性能：在2000分钟课堂视频测试中，表情识别Top-1准确率为88.7%，其中“专注”（中性）与“困惑”（悲伤）的误判率低于5%。 3. ]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]关键突破：采用Apache Flink实现毫秒级行为-表情-视线数据对齐，解决传统方案中多源异构数据异步问题 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、
60410编辑于 2025-12-28 - 来自专栏燧机科技-视频AI智能分析
ai课堂行为分析检测评估
ai课堂行为分析检测评估系统通过yolo网络模型算法，ai课堂行为分析检测评估算法利用摄像头采集学生的图像，视线跟踪技术的智能教学系统由情感模型、教师模型、学生模型和课程模型四个模型组成。 ai课堂行为分析检测评估算法模型选择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。网络结构参考GooLeNet模型，包含24个卷积层和2个全连接层。 ai课堂行为分析检测评估算法模型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)。但是最后一层却采用线性激活函数。 在ai课堂行为分析检测评估YOLO系列算法模型中，针对不同的数据集，都需要设定特定长宽的锚点框。 ai课堂行为分析检测评估算法模型中将此功能嵌入到代码中，每次训练时，根据数据集的名称自适应的计算出最佳的锚点框，用户可以根据自己的需求将功能关闭或者打开，具体的指令为parser.add_argument
1.1K30编辑于 2023-09-14 - 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
74620编辑于 2023-09-10 - 来自专栏生信修炼手册
chip_seq质量评估之PCA分析
转录组等多种数据分析中都有应用，本文主要介绍在chip_seq数据分析中的PCA分析。 在转录组中，我们可以通过基因表达谱来对样本进行PCA分析，在chip_seq数据分析中，为了得到类似基因表达谱的数据，研究人员提出了一种思想，将基因组划分为等长的区间，称之为bin,然后计算每个区间内的 得到样本中所有bin的coverage之后，就可以利用该数据进行PCA分析。具体的操作步骤如下，通过deeptools来实现 1. 软件默认选择第一和第二主成分来绘制二维的散点图，在该图中通过观测样本点之间的距离，可以对数据质量做出一些基本判断，理论上讲，input和抗体处理的样本之间应该有较大距离，而生物学重复样本之间应该比较接近 下半部分的Scree plot, 类似碎石图，只不过采用了双坐标轴的形式，蓝色柱状图表征了前5个主成分的特征值，红色曲线代表累计的特征值，每个点代表累计特征值的比例。
1.8K20发布于 2019-12-19 - 来自专栏生信修炼手册
chip_seq质量评估之coverage分析
左侧是测序深度频率分布图，右侧是大于该测序深度的频率分布图， 以H3K4Me1这个样本为例，左侧图中横坐标为2的位置，对应纵坐标约为0.05，说明测序深度为2的区域包含了5%的reads，右侧图中横坐标为
1.2K20发布于 2019-12-19 - 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。 现有视频分析系统易受遮挡干扰（如学生遮挡摄像头）、复杂光照（黑板反光）影响，导致行为识别准确率不足78%。 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%。 （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
28810编辑于 2026-01-08 - 来自专栏生信技能树
第5篇：对ATAC-SeqChIP-seq的质量评估（二）——ChIPQC
学习目标 讨论ChIP-seq数据质量评估的其他方法 用ChIPQC产生质量统计报告 鉴定低质量数据的来源 概览图 ? 这一节将会讨论评估信号分布的其他指标。 NOTE：这里给出的评估指标只是反映数据质量的好坏，符合阈值的并不意味着实验是成功的，不符合阈值的也不一定意味着失败。 2.常见质量评估指标的介绍 SSD SSD值是对富集效果的评估。SSD值依赖于全基因组的pile-up信号强度，对真实的ChIP富集和干扰的强信号区域都很敏感。SSD值越大表明富集越好。 一个典型质量好的TF富集FRiP值约5%或者更高，polII的FRiP值约为30%或者更高，也有一些质量好的数据FRiP值<1%（如RNAPIII） Relative Enrichment of Genomic 另外还有上面提到的质量评估的常用指标SSD、RiP%和RiBL值。
5.6K30发布于 2018-09-21 - 来自专栏燧机科技-视频AI智能分析
AI教学分析课堂质量评估系统基于多模态深度学习
5%-8%课程）、反馈滞后（评估报告出具平均耗时15天）等痛点。 本文提出一种基于多模态深度学习的课堂质量评估系统，通过融合计算机视觉、语音识别与自然语言处理技术，实现“师生状态-互动行为-教学氛围”的全维度量化分析。 AI教学分析课堂质量评估系统能够实时监测课堂教学活动的诸多细节，AI教学分析课堂质量评估系统通过现场的监控摄像机可精准捕捉师生的面部表情，分析其情绪状态，从而判断学生对课程内容的兴趣程度以及教师的情绪投入情况 同时，借助先进的语音识别功能，系统能实时转录课堂上的师生对话，分析语速、语调、关键词等，进而评估教学互动的质量与深度。 此外，图片分析技术则用于捕捉师生的动作、姿态，如教师的肢体语言是否丰富、学生是否专注听讲等，全方位记录课堂教学的动态场景。
1.3K21编辑于 2025-12-17 - 来自专栏小小挖掘机
Facets：快速评估数据集质量，把控数据分析核心环节
在机器学习任务中，数据集的质量优劣对数据分析的结果影响非常大，所谓Garbage in, garbage out，数据决定模型的上限，因此数据质量成为数据分析流程不可或缺的一个环节。 即使是像Kaggle那样主办方已经把数据集准备好的场景，也需要评估train set和test set的分布是否一致，存不存在偏斜等。 本文不对数据采集的过程深入探讨，即不讨论怎么在数据采集过程中保证数据的准确性；而是聚焦在对现有的数据集，如何快速高效地评估数据集的质量，找出数据集中存在的瑕疵问题。 通常我们使用pandas手工地检查数据集，不停地做出假设然后验证；现在介绍给大家一个神器：Facets Facets Facets是Google的一个开源项目，用于帮助理解和分析机器学习数据集的可视化工具 是的，确切地讲，用pandas手动来进行这个层面的分析已经是一种最佳实践了。但是我们很容易忘记了要详细检查数据中每一列的所有指标。
2.1K20发布于 2019-08-28 - 来自专栏燧机科技-视频AI智能分析
看守所视频AI行为分析系统 YOLOv5
看守所视频AI行为分析系统利用yolov5网络架构模型可以分析如非法闯入、倒地事件、明火烟雾、摄像头视频画面异常、睡岗检测、离床检测、聚众、离岗检测、攀高检测等。 YOLOv5是一个在COCO数据集上预训练的物体检测架构和模型系列，它代表了Ultralytics对未来视觉AI方法的开源研究，其中包含了经过数千小时的研究和开发而形成的经验教训和最佳实践。 Yolov5中添加了FPN+PAN结构，相当于目标检测网络的颈部，也是非常关键的。
88160编辑于 2022-12-19 - 来自专栏vivo互联网技术
用户行为分析模型实践（三）——H5通用分析模型
作者：vivo 互联网大数据团队- Zhao Wei、Tian Fengbiao、Li Xiong本文从提升用户行为分析效率角度出发，详细介绍了H5埋点方案规划，埋点数据采集流程，提供可借鉴的用户行为数据采集方案 一、背景针对用户行为数据进行采集有个专业术语叫埋点，在h5页面上做的埋点统称为H5埋点。H5页面因其灵活性，便捷的交互和丰富的功能，以及在移动设备上支持多媒体等特点目前被广泛应用于网页app开发。 【留存分析】：通过用户的留存，了解目前的产品现状（用户的哪些行为导致留存率的不同）; 判断产品的改进有无效果（用户行为是否发生了改变导致留存率的提升）；留存分析反映了用户由初期的不稳定用户转化为活跃用户 层级划分原则及规划逻辑模型明细，如：图（5）从分层架构图可看出H5通用分析模型分为明细层(dw)、轻度汇总层(dma)、分析主题表 (dmt) 和指标层(da); 其中轻度汇总层可作为中间数据提供行业分析师及数据开发 相关文章：用户行为分析模型实践（一）—— 路径分析模型用户行为分析模型实践（二）—— 漏斗分析模型
1.8K31编辑于 2023-02-07 - 来自专栏燧机科技-视频AI智能分析
课堂教学智慧评价系统
系统已在深圳某区12所中小学（覆盖320间智慧教室）部署，教师教学反思采纳率达85%，学生课堂参与度提升22%，为教学质量常态化提升提供“数据采集-行为分析-精准改进”全链条技术支撑。 （二）算法层核心设计 YOLOv12课堂行为检测优化 针对课堂“小目标（手势/教具）、动态遮挡（学生转身）、复杂背景（投影反光）”问题，优化模型结构与训练策略： # YOLOv12模型配置（课堂教学场景定制 课堂教学智慧评价系统基于YOLOv12+RNN深度学习算法，课堂教学智慧评价系统通过集成AI大模型，教学过程数据整合形成动态化师生行为画像，结合课堂视频切片与情绪指数热力图，回溯“学生抬头率骤降”“互动冷场 督导报告包含个性化改进建议与教师改进轨迹记录，形成可追溯的教学成长档案，让教学督导从单次评估变为长期陪伴。 通过人机协同的AI评价技术，实现高度自动化课堂教学质量评价，同时运用多种评价手段、综合多来源评价数据，以教师发展、学生成功为核心动因进行分析评价，实现学校教学质量常态化提升。
82010编辑于 2026-01-12 - 来自专栏机器学习算法与Python学习
Kaggle竞赛神器—Facets：快速评估数据集质量，把控数据分析核心环节
在机器学习任务中，数据集的质量优劣对数据分析的结果影响非常大，所谓Garbage in, garbage out，数据决定模型的上限，因此数据质量成为数据分析流程不可或缺的一个环节。 即使是像Kaggle那样主办方已经把数据集准备好的场景，也需要评估train set和test set的分布是否一致，存不存在偏斜等。 本文不对数据采集的过程深入探讨，即不讨论怎么在数据采集过程中保证数据的准确性；而是聚焦在对现有的数据集，如何快速高效地评估数据集的质量，找出数据集中存在的瑕疵问题。 通常我们使用pandas手工地检查数据集，不停地做出假设然后验证；现在介绍给大家一个神器：Facets Facets Facets是Google的一个开源项目，用于帮助理解和分析机器学习数据集的可视化工具 是的，确切地讲，用pandas手动来进行这个层面的分析已经是一种最佳实践了。但是我们很容易忘记了要详细检查数据中每一列的所有指标。
1.5K30发布于 2019-08-20 - 来自专栏Datawhale专栏
Kaggle竞赛神器—Facets：快速评估数据集质量，把控数据分析核心环节
在机器学习任务中，数据集的质量优劣对数据分析的结果影响非常大，所谓Garbage in, garbage out，数据决定模型的上限，因此数据质量成为数据分析流程不可或缺的一个环节。 即使是像Kaggle那样主办方已经把数据集准备好的场景，也需要评估train set和test set的分布是否一致，存不存在偏斜等。 本文不对数据采集的过程深入探讨，即不讨论怎么在数据采集过程中保证数据的准确性；而是聚焦在对现有的数据集，如何快速高效地评估数据集的质量，找出数据集中存在的瑕疵问题。 通常我们使用pandas手工地检查数据集，不停地做出假设然后验证；现在介绍给大家一个神器：Facets Facets Facets是Google的一个开源项目，用于帮助理解和分析机器学习数据集的可视化工具 是的，确切地讲，用pandas手动来进行这个层面的分析已经是一种最佳实践了。但是我们很容易忘记了要详细检查数据中每一列的所有指标。
97620发布于 2019-08-20 - 来自专栏天意生信俱乐部
宏病毒组分析 ：病毒基因组的质量评估、纯化与vOTUs构建
在宏基因组数据分析中，从复杂的序列混合物中识别出病毒Contigs是第一步。 因此，对这些初步鉴定的病毒序列进行质量评估、纯化以及去冗余聚类，是构建高质量病毒操作分类单元（viral Operational Taxonomic Units, vOTUs）的关键步骤。 病毒基因组质量评估与纯化 (Viral Genome Quality Assessment & Refinement) 此步骤的目的是评估初步筛选出的病毒Contigs的完整性、识别潜在的宿主基因污染， 或者更严格地，只选择completeness在90%以上且contamination低于5%的。 注意前病毒：provirus字段为“Yes”的Contigs可能是整合到宿主基因组中的病毒。 --ignoreGenomeQuality：dRep本身也包含基因组质量评估功能（基于单拷贝核心基因），但这主要针对细菌。对于病毒，CheckV的评估更专业和全面。
74010编辑于 2025-11-20 - 来自专栏凹凸玩数据
超全总结：用户行为分析的5类指标与2类模型
用户行为分析的5类指标 行为分析指标按照不同的分类标准可以分成不同的类别。按照用户行为轨迹将行为分析指标分为渠道类指标、访问类指标、转化类指标、留存类指标及社交类指标5类指标。 注：本段指标解释，授权转自书籍《大数据用户行为分析画像实操指南》 渠道类指标 互联网线上推广渠道总体上可以分为5种类型：原生广告类社交媒体、普通社交媒体、搜索引擎、软件商店和换量联盟。 用户行为分析的模型 关于用户行为分析的模型，并没有严格的定义，我见过的大概有10种左右。 所谓“对比分析法”，指的是从不同角度出发，分别运用漏斗模型分析用户的转化路径，进而比较不同漏斗之间的异同点，为企业进一步优化用户转化路径、提高用户服务质量提供一定的指导。 漏斗与客户流向结合分析法可以分析功能层面和事件层面的用户转化行为，但是更为深层次的细节分析也是十分必要的。这样就是所谓的“微转化行为分析法”。 此外，还有用户注意力分析法，也称为热力图分析法。
10.6K42编辑于 2021-12-09 AI 视频分析系统：智能解析动态影像，赋能行业数字化转型
、车辆追踪动作识别解析复杂肢体语言与行为模式安全生产违规预警场景分割区分前景背景与功能区块店铺热力图生成时序建模构建事件发展逻辑链条用户行为路径还原 行业赋能实践智能制造升级设备故障预测准确率显著提升实时监测工人操作规范性 ，预防安全隐患优化工艺流程，提升生产效率某汽车组装厂应用成效：不良品检出率提升 35%单位产能能耗降低 18%生产事故率下降 42%零售智能化变革顾客动线分析优化陈列布局试穿行为捕捉支撑精准营销库存管理效率实现质的飞跃某连锁超市部署成果 ：高价值商品转化率提高 26%滞销品周转周期缩短 45%坪效提升 32%教育创新应用智能解析课堂教学录像生成教学效能评估报告助力青年教师专业成长某重点中学实践效果：教师互动频次优化 40%学生专注度提升 28%区域教育资源均衡化取得突破⚙️ 实施路径规划三阶段部署策略需求诊断与场景适配明确核心 KPI 指标评估数据质量与业务痛点制定个性化解决方案小范围试点验证选择典型场景进行模型验证收集用户反馈持续优化验证技术可行性与业务价值规模化推广迭代扩展至全业务流程建立持续优化机制构建智能化运营体系 ，共建行业知识图谱数字孪生融合：虚拟仿真测试预判决策效果神经形态芯片：提升终端设备实时处理能力应用场景拓展边缘侧实时分析应用深化跨模态理解能力持续增强行业专用解决方案不断丰富 实施关键要素成功部署要点选择数据质量高
1.3K10编辑于 2025-10-27- 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。 ，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/中性/消极）。 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。
71910编辑于 2025-12-31
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