《表1 CNN-10在学生课堂行为数据集上的混肴矩阵》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于人体骨架和深度学习的学生课堂行为识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

CNN-10在学生课堂行为数据集上的混肴矩阵如表1所示，结合图5可知：使用CNN-10，不同课堂行为的识别准确率差距较大，如举手、阅读的识别准确率只有84.62%，其中举手有13.68%的误识为听课，而阅读有8.55%的误识为听课、4.27%的误识为书写。究其原因，主要在于：（1）举手行为识别主要靠手部等局部信息，容易受学生体态、着装、教室背景等因素的干扰；学生的阅读行为具有一定的动作幅度，若其幅度过小，就容易被误判成听课；部分阅读行为和书写行为过于相似，区分细微，也容易造成误判。（2）受限于学生课堂行为数据集，仅使用卷积神经网络直接从原始图像数据中获取行为特征，难以满足所有学生课堂行为的分类。而使用本研究提出的基于人体骨架信息和深度学习的学生课堂行为识别方法后，每种课堂行为的识别准确率差距缩小，整体的识别准确率上升了4.27%，其中起立行为的识别准确率更是高达100%；识别准确率最低的阅读行为也达到了94.02%，相较于CNN-10提升了9.4%；举手行为的识别准确率达到98.29%，相较于CNN-10提升了13.67%。