计算机科学与探索

作者：曹燚, 曹倩, 钱承山, 袁程胜

单位：1. 无锡学院 物联网工程学院，江苏 无锡 2141052. 南京信息工程大学 自动化学院，南京 2100443. 南京信息工程大学 计算机学院，南京 210044

关键词：课堂行为检测,高精度,YOLO11,多维度特征流动网络（MFFN）,特征增强聚合模块（FEAM）

基金：无锡市“太湖之光”科技攻关（基础研究）项目（K20241046）；国家传感网工程技术研究中心开放课题（2024YJZXKFKT02）；国家自然科学基金（62102189，62122032）；江苏高校哲学社会科学研究一般项目（2023SJYB0919）；无锡学院引进人才科研启动专项经费（2022r043）。

针对课堂场景中学生目标小、分布密集且易被遮挡，导致检测精度低、识别效果不佳的问题，提出了一种基于YOLO11改进的课堂行为检测算法MFD-YOLO。该算法通过一系列创新设计，显著提升了课堂行为检测的精度和识别效果。设计了多维度特征流动网络（MFFN），通过结合维度感知选择性融合模块和多维特征扩散机制，增强了小目标的特征表示能力，显著提高了检测精度。在主干网络中构建了特征增强聚合模块（FEAM），通过整合不同尺度感受野的信息来优化特征提取过程，增强了网络对多尺度特征的增强与聚合能力，从而提高了对密集学生群体的检测能力。将传统检测头改进为动态检测头（DyHead），通过增强多尺度感知能力，有效提升了对被遮挡学生的识别能力，减少了误检和漏检现象。实验结果表明，与基础模型YOLO11n相比，MFD-YOLO在POCO数据集上的mAP0.50和mAP0.50:0.95分别提高了4.2和6.0个百分点，显著提升了检测精度，并有效降低了误检和漏检率；在SCB-Dataset3数据集上，mAP0.50和mAP0.50:0.95分别提高了3.4和4.4个百分点，进一步验证了改进算法的适用性和鲁棒性，证明了其在课堂行为检测中的应用潜力。

来源：2025年第8期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第8期