公开 学生课堂行为数据集 SCB-Dataset: A Dataset for Detecting Student and Teacher Classroom Behaviorhttps://link.springer.com/article/10.1007/s44443-026-00489-wIntelligent recognition and analysis of student behavior in real-classroom scenarios: a comprehensive survey, exploration, and future perspectives该论文题为《Intelligent recognition and analysis of student behavior in real-classroom scenarios: a comprehensive survey, exploration, and future perspectives》由南京邮电大学与南京理工大学的宋婉茹、何通等研究者联合撰写发表于《Journal of King Saud University Computer and Information Sciences》2026年第38卷。该研究采用综述与实证相结合的混合范式系统梳理了2019至2025年间课堂行为识别领域的技术演进。研究指出当前该领域已形成以目标检测算法为核心的统一技术框架涵盖双阶段如Faster R-CNN与单阶段如YOLO系列、DETR两大技术路线。针对真实课堂中存在的遮挡干扰、背景复杂、行为边界模糊等挑战该论文不仅分析了现有算法的局限性更提出了四种关键优化路径主干网络轻量化重建、特征学习模块增强、注意力机制嵌入以及上下文特征优化。为便于理解其方法创新可设想这样一个场景在拥挤的教室后排一名学生正举手提问但前排同学的身体遮挡了摄像头视线。传统检测模型可能因看不到完整人体而漏检。该论文提出的YOLO-Mamba改进方案通过引入选择性状态空间模型使算法能像经验丰富的教师一样即使只看到局部手臂动作也能结合上下文推断出举手行为而非误判为低头看书。这种长程依赖建模能力显著提升了密集场景下的识别准确率。实验部分该研究在SCB-Dataset3-S等公开数据集上验证了十余种改进模型的性能。结果表明融合Mamba架构的YOLO-Mamba模型在mAP50指标上达到0.731显著优于基线模型同时保持了较低的计算开销。研究进一步探讨了算法精度与教育评估的深层关联指出高准确率的行为识别不仅能生成课堂参与度热力图更能为教师提供实时、客观的教学反馈推动从经验驱动向数据驱动的精准教学转型。