基於改進 YOLOv8s 的學生課堂行為識別
arXiv - Computers and SocietyXiang Gao, Shuai Hang
改進 YOLOv8s 的 ALC-YOLOv8s 模型，透過 SPPF-LSKA、CFC-CRB、SFC-G2 與 ATFLoss，提升 mAP50 +1.8% 及 mAP50-95 +2.1%，有效解決課堂中密集、微小、遮擋與類別不平衡問題。
AI 幫你先抓重點
AI 重點 1
SPPF-LSKA 與多尺度融合技術大幅提升對微小、遮擋目標的偵測能力。
滑鼠懸停看 AI 判斷理由
在課堂環境中，學生身體姿勢多變且常被遮擋，傳統模型難以捕捉。此結構改進證明在實際場景中可有效克服這些挑戰，為教育監控系統提供更可靠的行為識別基礎。
AI 重點 2
ATFLoss 對少數類別的加權學習顯著提升分類準確度。
滑鼠懸停看 AI 判斷理由
課堂行為資料往往存在類別不平衡，少數行為易被忽略。透過 ATFLoss 的設計，模型能更好地學習這些稀有行為，對教師實務監測與干預策略具有直接的應用價值。
核心研究發現
- 1
ALC-YOLOv8s 在實驗中比基線模型提升 mAP50 1.8% 及 mAP50-95 2.1%，顯示模型改進有效。
- 2
模型結合 SPPF-LSKA、CFC-CRB 與 SFC-G2，優化多尺度特徵融合，能更準確偵測密集且微小的學生目標。
- 3
採用 ATFLoss 針對少數類別與難樣本進行加權，顯著改善類別不平衡問題，提升整體偵測表現。
對教育工作者的啟發
教師與教育科技開發者可將 ALC-YOLOv8s 整合至實時監控系統，透過教師儀表板即時查看學生行為分布，並根據實際課堂需求微調模型參數。建議先在本校課堂影像上進行微調，利用 ATFLoss 處理行為類別不平衡；若課堂中存在大量微小目標，可啟用 SPPF-LSKA 以提升偵測率。此模型亦可作為課堂互動分析的基礎，協助教師制定更具針對性的教學策略。
原始文獻資訊
- 英文標題：
- Student Classroom Behavior Recognition Based on Improved YOLOv8s
- 作者：
- Xiang Gao, Shuai Hang
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。