买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种基于任务对齐和重参数的学生课堂行为识别轻量化小目标检测模型及方法，所述模型包括主干网络、颈部和基于任务对齐思想的任务交互预测头，主干网络从图像中提取特征、进行下采样处理，颈部进行特征融合，任务交互预测头进一步提取任务交互特征并输出预测结果。本发明提出的学生课堂行为检测模型在检测精度比基准模型YOLOV8n更高，在STCB数据集上，mAP达到了79.2％，比YOLOV8n高1.5％，对数据集中的小目标检测精度为11.2％，比YOLOV8n高1.7％。模型的计算量从8.1FLOPs降到了6.9GFLOPs，降低了14.8％。参数量从3.2M降到了1.8M，降低了43.8％。

主权项：1.一种基于任务对齐和重参数的学生课堂行为识别轻量化小目标检测模型，其特征在于所述模型包括主干网络Backbone、颈部Neck和基于任务对齐思想的任务交互预测头TAPH，主干网络Backbone从图像中提取特征、进行下采样处理，颈部Neck进行特征融合，任务交互预测头TAPH进一步提取任务交互特征并输出预测结果，其中：所述主干网络Backbone在DarkNet53中引入R-DWR模块，R-DWR模块将提取多尺度特征的过程分为区域残差化和语义残差化两个步骤，在区域残差化部分，利用结合了BN和ReLU函数的3×3的卷积提取初步的特征；在语义残差化部分，使用多个不同扩张率的膨胀卷积提取多尺度的特征；在提取多尺度特征后，融合所有的特征图并对融合的特征图进行BN标准化，采用逐点卷积来合并特征，形成最终的残差，最后，将输入特征图加到最终残差中，以构建更强、更全面的特征表示；所述Neck由FPN和PANet构成，在C2f层中结合GDC，主干网络Backbone输入的特征图首先经过一个1×1的CBS调整通道数和提取特征，随后使用split操作将输出的特征图分为两个部分，一部分通道数为Cin2的特征图直接通过残差连接到输出，另一部分通道数为Cin2的特征图经过多个并行的GDC提取更多的特征，随后对两个部分的输出进行融合操作，生成通道数为n+2Cin2的融合后的特征图，n表示使用的GDC的数量，最后通过一个CBS模块进一步处理，调整通道数为Cin，以生成最终的输出特征图；所述TAPH由四个部分组成，分别是特征提取器、任务分解模块、边界预测分支和类别预测分支，特征提取器使用两个Conv_GN从Neck的输入中学习任务交互特征，特征提取器将学习到的任务交互特征输入到任务分解模块中，任务分解模块通过TDM将任务交互特征分解为分类预测特征和边界预测特征，分类预测特征和边界预测特征分别用于分类预测分支和边界预测分支计算分类分数和定位区域，输出的特征图使用Scale层调整卷积层后的特征的尺度以适应共享卷积的使用，最终得到预测结果。

全文数据：

权利要求：

百度查询： 哈尔滨师范大学 基于任务对齐和重参数的学生课堂行为识别轻量化小目标检测模型及方法