摘要
随着高等教育大众化,高等教育的质量问题受到了广泛关注。为了更好的服务于高校教育教学质量的提高，进一步了解学校学生的学习情况，需要对学生在校学习进行跟踪调查。本文的主要研究内容是基于深度学习的学生目标检测与人脸识别，是课堂学习行为分析的前置部分。针对教室场景下存在的多种问题，本文从人脸检测和人脸识别两个方面展开研究。 （1）人脸检测，首先针对教室场景下的遮挡、姿态人脸问题，借鉴Dense-Net网络，设计了一种残差密集卷积网络(Res-DenseNet)，主要用于降低遮挡、姿态人脸对人脸检测精度的影响；其次针对教室场景下的小人脸问题，本文设计了一种多尺度类残差结构，该结构保留了特征在残差结构下梯度传播的优势，同时还扩大了特征的感受野；最后将残差密集卷积网络(Res-DenseNet)和多尺度类残差结构加入YOLOv3网络，并对先验框聚类得到最合适的先验框尺寸，进一步优化YOLOv3网络的性能。实验结果表明，在自制数据集和公开数据集上测试，改进的YOLOv3网络平均准确率提升明显。 （2）人脸识别，考虑到教室场景下人脸的环境复杂，本文采用联合损失函数监督学习的方法，并结合主干提取网络GhostNet进行教室场景下的人脸识别。通过在LFW数据集上训练，用自制数据集下测试不同的ω对网络识别率的影响，选取出最优的ω值，并应用于后面的人脸识别实验。其次针对教室场景下存在的小人脸、姿态人脸问题，对GhostNet引入CBAM注意力机制进一步加强网络对人脸的关注度。最后考虑到自制人脸识别数据集较少以及教室场景下小尺度人脸，导致可学习的人脸特征较少，采用DenseNet中组合的思想，在输入端引入组合的卷积层对输入特征进行加强，将CBAM注意力机制和组合卷积层引入到GhostNet网络，经自制数据集与公开数据集实验验证，本文所提方法在人脸的识别上鲁棒性和识别表现较好。 （3）利用人脸检测算法和人脸识别模型实现多人脸识别系统的搭建。
NETL