Tez No |
İndirme |
Tez Künye |
Durumu |
703243
|
|
A deep learnıng-based feature extractıon and classıfıcatıon for students actıvıtıes ın exam / Sınavda öğrenci etkinliklerinin etiketlenmesi için derin öğrenme temelli özniteliklerin çıkarılması ve sınıflandırılması
Yazar:MUSA DIMA GENEMO
Danışman: PROF. DR. MURAT EKİNCİ
Yer Bilgisi: Karadeniz Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Bilimleri Ana Bilim Dalı
Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control
Dizin:
|
Onaylandı
Doktora
İngilizce
2021
92 s.
|
|
Video açıklaması ve insan etkinliği tanıma üzerine yapılan araştırmalar, görsel izleme
konusundaki araştırma bulgularını önemli ölçüde iyileştirmektedir. Sınavda izleme
etkinlikleri, öğrencilerin bir sınav odasında çeşitli etkinlikler gerçekleştirebilecekleri henüz
çözülmemiş bir sorundur. Bu tür faaliyetler, otomatik bir gözetim sistemi aracılığıyla
otomatik olarak izlenebilir. Derin özellik çıkarma için derin öğrenme yapıları olarak sıkma
ağı ve VGG16 kullandık. Bu özellikler daha sonra tek bir özellik seti oluşturmak için seri
olarak birleştirilir. Entropi ve karınca kolonisi optimizasyonu (ACO) tabanlı öznitelik seçimi
yaklaşımları, hem filtre hem de sarmalayıcı tabanlı yaklaşımların niteliklerine sahip
edinilmiş öznitelik alt kümelerine ayrı ayrı uygulanır. Ayrı olarak seçilen özellikler daha
sonra güçlü bir özellik alt kümesi elde etmek için birleştirilir. Son olarak tahmin için SVM
tabanlı sınıflandırıcılar uygulanır. Sınıflandırma algoritması, sınav etkinlikleri algılama veri
kümesinden öğrenci etkinliklerini tam olarak anormal ve normal sınıflar olarak etiketler.
Sonuçlar, sınavda aktivite tanıma için önerilen çerçevenin kabul edilebilir doğrulukla (%92)
çok etkili olduğunu göstermektedir. Çerçeve, sınav sistemini iyileştirmek için sınavlardaki
öğrenci etkinliğini analiz etmeye yardımcı olacaktır.
|
|
Visual monitoring study findings have improved considerably as a result of research
on video description and human activity detection. Exam cheating detection is a fundamental
part of any level education program. This work focuses on students' activities labeling in the
exam. The framework is developed for labeling students' activities into six different classes,
back- watching, front-watching, side-watching, normal, showing gestures, and suspicious.
A methodology for predicting cheating activities is proposed in this study. To extract
features, feature descriptors such as local binary patterns and texture features are used. The
entropy and ant colony optimization (ACO) based feature selection methods are utilized
separately on the acquired feature subsets having qualities of both filter and wrapper-based
approaches. The features are then combined to form a powerful features subset. Those
selected features are trained on several different models. SVM-based and KNN classifiers
are showed promising results on the datasets. The classification system accurately labels the
student activities into abnormal and normal classifications using the exam activities
detection dataset. The findings show that the proposed framework for activity recognition in
exams is quite effective and accurate. 92% for SVM and 94% for KNN achieved on the
dataset. |