Feb, 2024

在线考试中的作弊检测和定位的多实例学习

PDF
TL;DR本文介绍了一种名为 CHEESE 的多实例学习的作弊行为检测框架，结合了身体姿势、背景信息、眼神、头部姿势和面部特征等特征，在视频剪辑中分析空间和时间的变化以检测作弊行为。实验证明我们的方法有效，并在 Online Exam Proctoring（OEP）数据集上获得 87.58％的帧级 AUC 得分。
发现论文，激发创造
  • 一种基于 OpenPose 的考试可疑活动视频检测器

    利用自动化分析视频和检测考试期间的可疑活动，以有效地防止作弊，并促进学术诚信、公平和高质量教育的框架。

    Jul, 2023

  • 考试监测系统：在线考试中异常行为的检测

    我们的 “在线考试监控系统：检测在线考试中的异常行为” 旨在解决过去十年中越来越普遍的问题，尤其是在 COVID-19 大流行期间。该系统通过实时场景中高准确性和快速性来检测作弊行为，为监考人员提供有价值的信息，协助其决策，从而减轻在线考试作弊的普遍问题。

    Feb, 2024

  • 使用网络协议和行为分类的在线评估违规检测

    本文研究了在线考试作弊现象及其潜在危害，并提出了一种基于智能代理和行为监测的措施，包括使用 DenseLSTM 和一个新的 PT 行为数据库，在考试响应中检测和降低不当行为。实验表明，这种方法可达到高达 90.7% 的分类准确率。

    Jan, 2022

  • 人才面试：面向在线考试的 Web 客户端作弊检测

    提出一种基于客户端的远程监考系统，利用物体检测、人脸识别、声音检测和分割等子模块来提高在线监考的效果，避免了服务器成本，并首次应用于招聘过程中的在线考试，以应对新冠疫情带来的在线考试作弊问题。

    Nov, 2023

  • 视频自动欺诈检测：基于端到端学习的高级特征和分类方法

    本文通过结合深度学习和判别模型提出了一种多模态方法用于自动检测欺诈，并且在五个数据集上进行了评估，结果表明基于面部表情的方法优于基于凝视和头部位置的方法，并且多模态方法与特征选择的结合可以提高检测性能。

    Jul, 2023

  • 在线学习中检测分散注意力的生物特征和行为建模

    研究中使用计算机视觉技术检测在线学习过程中异常的头部姿态，并介绍了手机使用对学习过程的影响的研究。通过收集来自 120 位学习者在 MOOC 学习过程中的行为数据，研究聚焦于手机使用事件对行为和生理反应（特别是注意力、心率和冥想）的影响，并提出了一种通过摄像头图像来估计头部姿态事件以检测手机使用事件的方法。本研究的假设是，当学习者与手机交互时，头部姿态会发生显著变化，与学习者面对计算机时的典型行为形成对比。我们提出了一种半监督方法，用于检测学习者会话期间头部姿态与平均姿态的偏差，并对发现的头部姿态异常事件进行标记，敏感度超过 90%。

    May, 2024

  • 在线教育的多模态研究比较

    在线教育中的学生理解度需要多模态方法进行感知识别和评估，结合姿势、表情、眼动和语言等多种线索，通过加权投票方式整合最合适的机器学习模型。

    Dec, 2023

  • 多模态欺骗检测的深度学习方法

    本文提出了一种简单却难以超越的多模态神经模型，通过结合来自不同模态的特征，例如视频、音频、文本和微表情，我们证明了在现实生活视频中检测欺骗可以更加准确。在真实生活欺骗视频数据集上的实验结果表明，我们的模型在欺骗检测方面的准确率达到了 96.14％，ROC-AUC 为 0.9799。

    Mar, 2018

  • 揭示欺诈行为：深度伪造检测中的更多伪造线索揭示

    通过提取多个非重叠的局部表征并将它们融合成全局的语义丰富特征，凭借信息瓶颈理论派生局部信息损失，保证局部表征的正交性同时保留全面的任务相关信息，通过互信息的理论分析得到全局信息损失，最终达到融合局部表征并且去除任务无关信息的目的，实证结果在五个基准数据集上取得了最新的性能，我们的代码可以在 https://github.com/QingyuLiu/Exposing-the-Deception 访问，希望能够激发研究人员的灵感。

    Mar, 2024

  • 视频中的欺诈检测

    提出一种针对真实法庭审判视频中隐蔽自动欺诈检测的系统，该系统利用从图像、声音和文本三个层面得到的低级和高级特征预测人类微表情，其中，IDT 特征 和 MFCC 特征也对系统性能提供了重要帮助，系统在经过交叉验证的数据集上的 AUC 为 0.877，优于现有接近最优的方法，同时也提供了一个用户研究，分析一般人在这个任务上的表现。

    Dec, 2017