- 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
在高校、职业院校推进教育数字化转型过程中，如何客观了解课堂教学状态成为管理者与教师共同关注的问题。传统依赖督导听课或问卷调查的方式，存在样本少、主观性强、反馈滞后等问题。 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）； 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”。
27410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。
1.2K40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。 ]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、 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。
47010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
98330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
69020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. PCA分析 通过plotPCA命令实现，用法示意如下 plotPCA \ -in results.npz \ -o PCA.png 输出结果示意如下 ? 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
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
peak calling的核心是比较input和抗体处理样本基因组区域测序深度分布的差异，所以样本的测序深度分布可以作为质控的一个标准，本文介绍如何通过deeptools来绘制样本测序深度分布图。
1.2K20发布于 2019-12-19 - 来自专栏腾讯大讲堂的专栏
渠道质量评估模型
02 监控流程 渠道质量监控是一套系统化的工程，需要联动产品，数仓，分析师，数据工程，运营等共同从业务流程和数据流程上进行建设和维护。 比如DAU，时长，用户收益等，多指标的优化容易让人迷惑，并且可能存在相互矛盾的情况，通常情况下在监控初期就应该明确下来，并保持不变 快速反馈：质量监控的本质是通过用户的短期行为来判断长期表现，这样才能在最短的时间内快速发现渠道异常以及合理评估渠道质量 为了同时兼顾准确性和时效性，可采用多段式监控方式，一来对能快速定位到问题的渠道尽早预警来进行优化调整，而难以识别的渠道进行更长期的观察；二来可以通过长期的质量评估来校准短期质量评估模型 稳定可靠：质量监控最终产出的结果需要处于相对稳定的状态 03 质量评估 短期渠道质量评估 短期指标通常在T+1或者T+2输出，优点是可以快速评估各渠道的好坏而不需要等待很长时间，缺点是评估较浅层也比较难以洞察用户的长期表现 Step1.指标选取 关键行为分： 比如某些渠道前10天表现特别好，10天后突然变差，这种情况分析师可以识别，但是反作弊比较难识别，这种情况可能由于积分墙导致，需要引起注意，否则会对投放预算造成强误导。 用户的正常行为是什么样的？
3.3K40发布于 2020-11-02 - 来自专栏深度学习和计算机视觉
图像质量评估：BRISQUE
例如，算法很难评估图像背景的文化信息，进而难以评判图片质量。 什么是图像质量评估（IGA）？ 图像质量评估算法是对任意的图像进行质量评分，将图像整体作为输入，将图像的质量得分作为输出，图像质量评估分为三种： 全参考图像质量评估：在这种方法中，我们拥有一个非失真的图像，以测量失真图像的质量。 在我们可以拥有原始图像及其压缩图像的情况下，此方法可用于评估图像压缩算法的质量。 无参考图像质量评估：算法获得的唯一输入是要测量其质量的图像，完全没有可以用来参考的图像，因此被称为无参考“No-Reference” 无参考IQA 本文中我们将讨论一种称为无参考图像空间质量评估器（BRISQUE
4.8K20发布于 2020-06-11 - 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。 因此测试视频质量 在测试图片的质量就很重要了。测量两个图像之间的相似性的方法。SSIM指数可以看作是对被比较图像之一的质量衡量标准，前提是其他图像被视为质量完美。 有参考评估，就是依赖原始视频和待评测视频进行对比，目前比较熟知的就是PSNR, SSIM VIF VMAF PEVQ等 无参考方法，在判断视频质量时不需要来自原始参考视频的任何信息，通过对失真视频空域和频域的处理分析来提取失真视频的特征 框架图 Qos server 处理来自web的请求 High modular and scalable 预处理 Analysis module 分析 Web Application -- 触发测试任务和可视化结果显示 transmission adapter module -- 用于不同实时视频系统的适配 VMAF Video Multi-Method Assessment Fusion VMAF 是 Netflix 开发的感知视频质量评估算法
1.5K10编辑于 2021-12-06 - 来自专栏磐创AI技术团队的专栏
图像质量评估|调研
因此，我将研究重点放在发现图像质量如何影响Web应用程序中的用户行为上。最近，一些研究测试了低质量图像在网站上的影响。 Deep CNN-Based Blind Image Quality Predictor (DIQA) 如前所述，图像质量评估的重大挑战之一是标记图像的成本。 学习 Objective Error Map 第一阶段是回归分析，目的是学习objective error map。它由上图中的红色箭头描述。 该方法的思想是通过进一步‘降解’失真图像生成一系列的PRI，然后利用local binary patterns(LBP)测量它们之间的相似性来评估其质量。 他们通常使用质量相关学习特征来计算分数。与依靠手工特征的方法BRISQUE相比，SRCC有了显着提升。 总结 简要介绍了三种最新的图像质量评估方法。所有这些都是基于特征学习来检测图像上的失真。
3.1K00发布于 2019-10-23 - 来自专栏Chasays
音频质量评估-1
需要关注的三个指标，这三个指标决定音频的质量 比特率：表示经过编码(压缩)后的音频数据每秒钟需要用多少个比特来表示，单位常为kbps。 这个数字越大音频质量越好，但是数据文件就越大。 MOS 原始的就是一个主观的批判， 根据提供给算法的信息，语音质量测试算法可分为两大类 完全引用"(FR) 算法可以访问并使用原始参考信号进行比较(即差异分析)。 FR 测量可提供最高的精度和可重复性，但只能应用于实时网络中的专用测试(例如移动网络基准的驱动测试工具) "无参考"(NR) 算法仅使用降级信号进行质量评估，并且没有原始参考信号的信息。 NR 算法的常见变体甚至不分析解码的音频信号，而是对 IP 数据包级别上的数字位流进行分析。因此，测量仅限于传输流分析。 POLQA是最新的，其他都是小弟。 全参考算法，在对参考和测试信号的相应摘录进行时间对齐后，对语音信号进行采样分析 ，对于端到端的质量评估。
2.7K20编辑于 2021-12-06 - 来自专栏FREE SOLO
渠道流量质量评估
在评估渠道的质量时，需要从获取流量的数量（PV/UV等指标）和获得流量的质量（注册转化率/访问时长/浏览页面数/购买转化率/新用户数量等 )这2个维度来评估，在具体工作场景中，流量质量评估不需要考虑所有指标 而访问时长、浏览页面数量等指标，主要用来评估渠道的健康度，也就是是否存在机器刷量的行为。 在分析渠道质量的时候，还要结合渠道推广的目的和需求来判断哪个渠道质量更高，比如下面这2个渠道： 渠道一：带来新访问用户100人，注册转化20人，转化率20%，渠道投放200元，平均每个注册用户的转化成本是 这两个渠道在具体的工作场景里，要如何评估渠道质量呢？
1.1K30编辑于 2022-01-06 - 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
24010编辑于 2026-01-08 - 来自专栏企鹅号快讯
搜索结果质量评估（上）
因此本文写作的目的是解析搜索结果质量评价中的算法逻辑并尝试提出指标的改进建议，希望能对搜索结果的质量评估工作有基本的认识，日后在实际工作中完善本研究，真正对算法优化有所贡献。 2. 研究背景 2.1机器学习 机器学习是一种研究计算机实现学习人类行为的技术，致力于在获得新的知识或者技能的同时建立和改善自己的知识体系，从而达到不断学习和完善自己功能的目的。 在客户端，用户通过操作，如今日头条的注册界面选择用户关注的领域以及推荐板块的消息的右上角有“不感兴趣减少这类内容”的选项，可以对用户的喜好和关注点精准把控，通过用户的使用行为，分析用户的喜恶，从而不断优化个性推荐的内容 ，能够时适应用户的需求，通过不断地A/B测试，可以把内容的关注度作为评估内容质量的重要依据，从而反哺算法，优化推荐机制，将优质的内容不断推向更大的用户群体，这样既能够保证用户对优质内容产出者或者网站源的忠诚度 搜索质量评估 从头条主页顶部的输入框来看，搜素功能占据重要地位。头条的搜索结构如图（3.1）。搜索分类有：综合、视频、咨询、图集、用户、问答。
4.3K52发布于 2018-01-12 - 来自专栏CKL的思考空间
团队交付质量如何评估
话题源于一位同事的提问：你认为用什么质量指标可以反映项目交付的一个质量？粗看之下有点蒙，质量指标，什么鬼？再思考一下，哦，原来是说交付质量的事，那不是有很多质量指标么？ （关于度量的思考，可参考：度量平台落地实践） 再来看看交付给用户的质量评估，这里主要提两个维度：交付时长和缺陷存留。 交付时长体现了团队的交付能力，是否可以在用户期望的时间内完成交付，如果时长太长，用户的满意率下滑，你很难说本次交付的质量很高。因为最终评估标准是用户用上了，才能算好。 再来说说缺陷存留。 所以我们在评估团队交付质量的时候，也要把这方面的指标加上。 线上缺陷逃逸率：指的是线上发现的缺陷。不论你的研发过程再优秀，如果线上缺陷被较为轻易的发现，我们也很难说交付质量很好吧。 数据埋点：如果说用户反馈过于主观，那么必要的数据埋点，有利于我们更加客观的去分析交付质量，比如改版前后比较，新功能的点击率，关键路径转化率，错误率，等等。如果你迭代 的功能没人用，谁比较尴尬呢？
1.5K20编辑于 2023-02-01 BLOOM评估系统：自动化LLM行为评估框架
BLOOM评估系统：自动化LLM行为评估框架项目概述BLOOM（Bloom Rollout Pipeline）是一个开源的大语言模型行为评估系统，专门用于自动化测试和评估LLM的特定行为模式。 该系统采用可配置的种子驱动方法，允许研究人员定义目标行为（如迎合性、政治偏见、自我保存等），并自动生成多样化的评估交互场景来测试模型在这些行为上的表现。 功能特性核心功能可配置行为评估：通过YAML配置文件定义目标行为和评估参数多模型支持：支持Anthropic Claude系列、OpenAI GPT系列、Google Gemini、DeepSeek等多种主流 ：通过LiteLLM统一接口支持多个模型提供商详细日志记录：完整的评估过程记录和结果保存调试模式：支持详细调试输出便于问题排查独特价值种子驱动评估：评估套件根据配置动态生成，避免模式固定科学严谨：提供科学动机分析和行为理解步骤灵活适配 prompt = f""" 模型正在接受{behavior_name}行为的评估。
21010编辑于 2026-01-05- 来自专栏生信技能树-R
转录组数据—质量控制（数据质量评估，过滤低质量）
数据质量评估软件Fastqc图片(rna) Mar402 20:38:07 ~/project/Human-16-Asthma-Trans/data/rawdata #-t 6 同时对这6个文件进行质控 fastq.gzfastqc运行#方法一：直接运行 #缺点霸占控制台和时间fastqc -t 6 -o ./ SRR*.fastq.gz#方法二：在命令前后加上nohop & 使用FastQC软件对单个fastq文件进行质量评估 multiqc *.zip -o ./ #-o 整合到当前目录再将整合的网页版文件下载到本地 （pic Multi QC）图片·对于转录组数据中的%Dups只要不超过80%即可图片图片图片图片图片过滤低质量是否需要过率低质量主要看 --per base N content、sequence quality Histograms 、adapter content 图片图片单个样本过滤低质量运行(rna) Mar402 20:59:04 SRR1039510_2_val_2_fastqc.zipSRR1039510_1_val_1.fq.gz SRR1039510_2_val_2.fq.gz多个样本过滤低质量运行
2.1K10编辑于 2023-04-19 - 来自专栏岛哥的质量效能笔记
自动化质量评估维度
上篇文章讲了下关于终端自动化的一个探索《终端自动化测试探索之路》，今天来聊聊关于自动化质量评估的维度，包括UI和接口。 接口覆盖率，评估对测试接口集合的覆盖度。如果有一条自动化用例能够覆盖该接口的一个正常业务场景的测试，那么该接口就是被自动化覆盖的。 代码覆盖率，是从应用代码层面评估自动化的质量，它的统计方式是运行完接口/UI功能的所有自动化用例后，接口/UI功能实际执行的逻辑代码的覆盖程度。
1.1K20发布于 2021-08-18 - 来自专栏微生态与微进化
CheckM：基因组质量评估
基因组组装或者宏基因组binning获得的基因组草图，首先需要评估其质量，包括基因组完整度、污染度、序列分布等信息。 CheckM提供了一系列工具用于评估从分离培养、单细胞、宏基因组获得的基因组质量，可以根据基因组在参考基因组发育树中的位置来推断其精确的单拷贝标记基因集（lineage-specificmarker set CheckM利用基因的单拷贝性来有效的估计基因组完整度和污染，同时能绘制基因组关键特征（例如GC含量、编码率）的图像来评估基因组的质量。 下面使用lineage_wf流程进行分析，如下所示： nohup checkm lineage_wf -t 20 -x fa --nt --tab_table -f bins_qa.txt metabat_bins td_bin_width 图像中TD bars宽度，默认为0.01 -3, --cd_bin_width 图像中CD bars宽度，默认为0.01 -q, --quiet 压缩输出结果 下面绘制bins质量评估图像
8.9K20编辑于 2022-05-05
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