利用图像分类技术实现选择题测试更高灵活性的达成
计算机视觉与模式识别
2019-01-15 v9
摘要
尽管现有的光学标记阅读（OMR）系统与设备具有高准确度，仍存在若干限制。在本文中，我们旨在减少测试中选择题（MCQ）的限制。我们使用图像配准技术从答题卡中提取答题框。与依赖简单图像处理步骤识别所提取答题框的其他系统不同，我们从另一视角解决问题：训练一个机器学习分类器来识别每个答题框的类别（即已确认、划掉或空白答案）。这使我们能够处理多种填涂与标记模式，并区分所选（即已确认）与取消的答案（即划掉）。所有现有机器学习技术都需要大量样本以训练分类模型，因此我们提出一个包含六份具有不同答题卡模板的真实MCQ测评的数据集。我们评估了两种分类策略：直接方法与两阶段分类器方法。我们测试了两种手工特征方法与一个卷积神经网络。最后，我们给出了所提出系统的易用图形用户界面。与现有OMR系统相比，所提系统约束最少且达到高准确度。我们相信所呈现的工作将进一步引导OMR系统的发展以减少MCQ测试的限制。
引用
@article{arxiv.1711.00972,
title = {The Achievement of Higher Flexibility in Multiple Choice-based Tests Using Image Classification Techniques},
author = {Mahmoud Afifi and Khaled F. Hussain},
journal= {arXiv preprint arXiv:1711.00972},
year = {2019}
}