基础音乐教育场景中轻量化自适应LSA-UNet分割算法

摘要

学生课堂行为精准分析是提升教学质量的核心环节.教室场景中学生的精确分割是支撑学生课堂行为精准分析最关键的第一步，而该场景下图像存在目标尺度多变、密度高、边界交叠和模糊等困难.因此，本文提出了一种轻量化分割框架LSA-UNet(Lightweight Scale Adaptive UNet)，设计了多尺度感知卷积模块MSPConv(Multi-scale Perceptual Convolution)，通过动态感受野调整增强多尺度特征提取能力.引入了双轴压缩注意力机制DASA(DualAxis Squeeze Attention)，融合通道与坐标信息以精准定位密集目标.同时，本文提出了尺度感知边界损失函数SABL(Scale Aware Boundary Loss)，通过多尺度边界约束来优化轮廓预测精度.实验表明，模型以3.58×10～6参数量、6.97GFLOPs计算复杂度实现84.31%mIoU和91.84%F1-score，显著优于主流分割模型，同时满足了视频的实时推理速度要求，为课堂行为精准分析提供了高精度、低延迟的数据支持.

关键词

基础音乐教育评估 / 图像分割 / 轻量化学习网络