课堂密集场景类内感知半监督学生行为检测OA

针对课堂学生行为检测中座位密集、个体像素占比低且差异大,类间分布不均衡导致的漏检、误检问题以及高质量标签数据获取困难的问题,提出课堂密集场景类内感知半监督学生行为检测方法。构建半监督学生行为检测模型,设计双流交互融合模块和颗粒化多层次感知模块,通过挖掘行为个体特征及交互特征,缓解行为交互信息淹没问题;提出动态类间分布损失与检测头,优化因高频标签类别导致的网络偏向性;针对伪标签置信度分布不一致问题,构建类内分布特征感知的半监督学习策略,通过动态划分伪标签筛选阈值,抑制噪声样本。通过自建数据集实验,在10%的标注条件下,学生行为检测模型的mAP50相较YOLOv11m提升3.2%;在引入半监督策略后,进一步提升5.0%;并进一步通过公共数据集验证了方法的有效性与泛化能力。结论可为智慧课堂场景下的学生行为识别、课堂学情智能分析提供有力的技术支撑。