《表3 当前主流检测框架与GaB R-CNN在学生测试图片集上的平均精确度》

  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

《基于指导锚框平衡检测模型的录播课堂行为分析研究》

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

对于教室内学生行为的检测，包括学生举手、起立回答、睡觉、扭头行为，在Mmdetection工具箱[20]中分别用当前主流检测器以及本论文改进后的GaB R-CNN对2600张学生场景照片进行训练，选用Res Net或ResNeXt[21]作为主干网络，除SSD512以外输入尺寸最大边长均缩放为1333，数据增强均包括随机缩放、左右翻转、裁剪，优化器（op）均使用带惯性动量的随机梯度下降（SGD），批大小（Batch＿Size）设置为6，迭代次数（Epoch）为15；用400张照片对模型进行测试，采用COCO AP[16]作为评价标准，模型检测结果对比如表3（下页）所示，在使用ResNet101作为骨干网络时，融合后的GaB R-CNN相较于Faster R-CNN，AP提升了近10个百分点，达到76.5%，在使用表达能力更强的主干网络ResNeXt101时，AP值达到了78.1%。但实验发现相比于Libra R-CNN提升并不明显，均使用ResNet101的情况下提升仅有0.8%。