基于改进YOLOv10n算法的课堂行为识别研究

打开文本图片集

摘要：针对当前课堂行为识别技术检测精度不足的问题，文章提出了一种基于三阶段优化策略的改进YOLOv10n算法，以提升检测性能：首先，在主干网络中采用自适应核卷积（Adaptive Kernel Convolution， AKConv） 替代标准卷积模块，以适应目标的多尺度变化；其次，在C2f结构后集成卷积块注意力模块（Convolutional Block Attention Module， CBAM） ，以增强关键特征的表达；最后，针对教学场景中密集小目标检测需求，重构特征金字塔网络结构——移除20×20大目标检测层，强化160×160小目标检测能力。（剩余10658字）