课堂专注度及考试作弊系统、课堂动态点名，情绪识别、表情识别和人脸识别结合 转头(probe)+低头(peep)+传递物品(passing) 课堂专注度+表情识别 侧面的传递物品识别 **人脸识别**：dlib_face_recognition_resnet_model_v1.dat - detection_system/face_recog/weights **人脸对齐**：shape_predictor_68_face_landmarks.dat - detection_system/face_recog/weights **作弊动作分类器**：cheating_detector_rfc_kp.pkl ## 使用 ### 运行setup.py安装必要内容 ## 使用 ### 运行setup.py安装必要内容 ```shell python setup.py build develop ``` [windows上安装scipy1.1.0可能会遇到的问题](https://github.com/MVIG-SJTU/AlphaPose/issues/722) ### 运行

举手照片，可用于训练行为。数据来之不易。

基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的学生课堂行为识别评价综合系统全部资料.zip基于深度学习的

基于深度学习的学生课堂行为识别评价综合系统.zip 大学生课程设计 基于深度学习的课程设计 自己大二写的课程设计

学生课堂行为识别旨在识别学生在课堂上的行为表现，反映课堂教学质量。针对目前卷积神经网络在随着网络层数加深表现出来的性能退化的问题，提出基于残差结构的深度残差网络。通过搭建学生课堂行为识别数据集，训练深度残差网络，使网络成功识别出上课、睡觉、玩手机、做笔记、看书、东张西望等行为。将深度残差网络与深度卷积神经网络在该数据集上的准确率进行对比，实验结果表明前者拥有更好的网络识别性能。

课堂行为展示海报.pdf

重视良好的课堂行为习惯.doc

行业分类-物理装置-一种学生课堂行为识别系统、方法、介质及终端设备.zip

基于CNN人脸识别模型的大学生课堂行为分析研究.pdf

学生课堂行为检测是对学生在课堂中表现出的行为进行检测，以此来判断学生是否认真听课和教师教学的质量,达到提高教学质量和督促学生认真学习的目的。利用深度学习通用目标检测框架 Faster R-CNN 通过基于 ZFNet 预训练网络模型的迁移学习，来提取学生课堂行为特征，实现对学习、玩手机、睡觉等行为的检测识别分析。结果表明，该卷积神经网络能够对目标行为取得良好的检测识别效果。