AutoOEP - 一个用于在线考试监考的多模态框架.pdfVIP

AutoOEP-一个用于在线考试监考的多模态框架

11111

AryanKashyapNaveen,BhuvaneshSingla,RaajanWankhade,ShreeshaM,RamuS,Ram

1

MohanaReddyGuddeti,

1DepartmentofInformationTechnology,NITKSurathkal

aryankashyap.221ai012@.in,bhuvanesh.221ai014@.in,raajan.221ai031@.in,

shreesham.221ai037@.in,ramu.197it006@.in,profgrmreddy@.in

Abstract问题。

为了捕捉更细微的行为，研究人员开发了多模态

在线教育的蓬勃发展产生了对强大且可扩展系统以确保

远程考试期间学术诚信的迫切需求。传统的监考人员在框架，可以同时分析多种线索，如目光方向、头部姿态

大规模情况下通常不可行，而现有的自动化解决方案可和系统活动(Atoumetal.2017;Prathish,Narayanan,

能会过于侵入性或无法检测到广泛的作弊行为。本文介andBijlani2016)。虽然更为全面，但这些方法表现出显

本绍了AutoOEP（自动在线考试监考），这是一个综合性著的局限性。一些依赖于专用硬件，比如可穿戴相机，

译的多模态框架，利用计算机视觉和机器学习提供有效的阻碍了广泛应用(Atoumetal.2017)，而另一些则无法

中自动化监考。该系统使用双摄像头设置捕捉考生的正面检测到使用被禁止的物理物品如手机或笔记(Tejaswi,

视图和工作区侧面视图，最大限度地减少盲点。我们的Venkatramaphanikumar,andVenkataKrishnaKishore

1方法集成了几种并行分析：面部模块使用ArcFace进行

v持续的身份验证，并结合头部姿态估计、凝视跟踪和嘴2023)。更近一些的系统集成了物体识别(Vermaetal.

72023)，但通常只标记非法物品的存在，难以区分其是

8部运动分析来检测可疑线索。同时，手模块使用微调的否在实际使用中。这种缺乏上下文理解的情况，加上依

8YOLOv11模型检测违禁物品（例如手机、笔记），并追踪

0手接近这些物体的距离。这些模块中的特征被聚合并输赖单帧分析，常常导致较高的误报率，并且无法捕捉到

1.入到长短期记忆（LSTM）网络中进行时间模式分析，以随着时间演变的作弊行为。

9计算实时作弊概率得分。我们在一个自采集的数据集上为了克服上述不足，本文介绍了一种全面的多模态

0

5评估了AutoOEP，该数据集模拟了多样的考试条件。我自动化监考框架AutoOEP，旨在实现高精度和实际部

2们的系统在分类可疑活动方面达到了90.7%的准确率。对署，具有以下特点：

:

v象检测组件获得了禁用物品的平均精度（mAP@.5）为

i0.57，并且整个框架以大约每秒2.4帧的速度处理视频•双摄像头框架使用标准网络摄像头同时捕捉考生的

x流，无需GPU。结果表明AutoO