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.