用于在线考试作弊检测与定位的多示例学习
计算机视觉与模式识别
2024-02-12 v1 人工智能
计算机与社会
机器学习
摘要
2019 冠状病毒病疫情的蔓延导致许多课程和考试在线上进行。考试监考系统中的作弊行为检测模型在保障远程考试的公平性方面发挥着关键作用。然而，作弊行为较为罕见，且大多数研究者在作弊行为检测任务中并未全面考虑头部姿态、注视角度、身体姿态和背景信息等特征。在本文中，我们开发并提出了 CHEESE，一个通过多示例学习进行作弊检测的框架。该框架由实现弱监督的标签生成器和学习判别性特征的特征编码器组成。此外，该框架将通过 3D 卷积提取的身体姿态和背景特征与 OpenFace 2.0 捕获的眼睛注视、头部姿态和面部特征相结合。这些特征通过拼接被输入到时空图模块中，以分析视频片段中的时空变化，从而检测作弊行为。我们在 UCF-Crime、ShanghaiTech 和 Online Exam Proctoring (OEP) 三个数据集上的实验证明了我们方法相较于 state-of-the-art 方法的有效性，并在 OEP 数据集上获得了 87.58% 的帧级 AUC 分数。
引用
@article{arxiv.2402.06107,
title = {Multiple Instance Learning for Cheating Detection and Localization in Online Examinations},
author = {Yemeng Liu and Jing Ren and Jianshuo Xu and Xiaomei Bai and Roopdeep Kaur and Feng Xia},
journal= {arXiv preprint arXiv:2402.06107},
year = {2024}
}
备注
12 pages, 7 figures