학생은 국가의 성장에 중요한 역할을 합니다. 학생 주의 감지는 교실에서 효과적인 학습을 보장하는 데 중요한 역할을 합니다. 이는 교육 품질을 개선하고 시험 중 무결성을 유지하는 데 기여할 가능성이 있는 중요한 연구 분야입니다. 또한 학생 모니터링은 시험에서뿐만 아니라, 부정 행위를 식별하고 시기적절한 개입을 허용함으로써 교실에서의 규율 유지에 교육자에게도 유용합니다. 기술의 발전으로, 연구자들은 전통적인 특성 추출 알고리즘과 기계 학습 분류기에 의존하는 학생의 교실 행동 분류를 위한 여러 방법을 제안했습니다. 이러한 방법들은 특징의 복잡성과 동일한 이미지에서 여러 클래스의 존재로 인해 잘못된 분류 결과를 초래할 수 있습니다. 딥 러닝의 출현으로 최근 연구는 CNN 모델에 초점을 맞추었지만, 여전히 이 분야에는 격차가 존재합니다. 본 연구에서는 학생 행동 감지를 위해 고급 딥 러닝 모델 YOLOv11을 기반으로 한 방법을 제안했습니다. 제안된 방법은 전처리, 모델 미세 조정, 하이퍼파라미터 설정, 모델 훈련 및 결과 평가와 같은 여러 주요 단계로 구성되어 있습니다. 이 연구는 학생의 수업 행동, 수업 주의 및 학생들의 그림에서 행동 패턴을 관찰하는 데 사용할 수 있도록 모델을 훈련하기 위해 세 가지 공개 데이터 세트를 활용했습니다. 데이터 세트는 대비를 개선하기 위해 전처리되었으며, 이는 추후 미세 조정된 YOLOv11 모델에 공급되어 훈련됩니다. 제안된 방법은 96.8%의 최고 mAP를 달성했습니다. 모델의 결과는 현실의 교실 모니터링 환경에서 구현 가능성이 있음을 나타냅니다. 코드: https://www.kaggle.com/code/jianaz786/v5-students-behavior-yolo57811
Fang et al. (Mon,)이 이 질문을 연구했습니다.