1
آزمایشگاه پردازش تصویر و داده کاوی، دانشگاه صنعتی شاهرود، شاهرود، ایران
2
استاد، آزمایشگاه پردازش تصویر و داده کاوی، دانشگاه صنعتی شاهرود، شاهرود، ایران
10.22034/csj.2024.209867
چکیده
تشخیص ناهنجاری در ویدئوهای نظارتی مرتبط با رفتارهای انسانی در کاربردهای مختلف از اهمیت بسیاری برخوردار است. در آزمونهای الکترونیکی، امکان شناسایی تقلب از طریق دوربینهای نظارتی وجود دارد، اما تحقیقات گذشته بیشتر بر الگوهای از پیش تعریف شده متمرکز بوده و به روشهایی که رفتارهای غیرعادی را بدون مشاهدة نمونههایی از آنها میتوانند تشخیص دهند، کمتر پرداختهاند. این مطالعه یک رویکرد نیمهنظارت شده[1] مبتنی بر اسکلت بدن برای تشخیص رفتارهای غیرطبیعی در ویدئوهای نظارتی آزمونهای الکترونیکی پیشنهاد میدهد. روش ارائه شده، بردارهای ویژگی مبتنی بر اسکلت قابهای متوالی را بر اساس شباهت آنها تقسیمبندی میکند. شباهت با استفاده از فاصله اقلیدسی بین مفاصل اسکلتها و میانگین و انحراف معیار آنها محاسبه میشود. سپس بخشهای مشابهاز مجموعه آموزشی، که فاقد ناهنجاری هستند، ترکیب شده و بخشهای متمایزی را تشکیل میدهند که برای تشخیص نمونههای عادی استفاده میشوند. در مرحله آزمایش، قابی که به هیچ یک از الگوهای بهدست آمده از مرحلة آموزش شباهت نداشته باشد، بهعنوان ناهنجاری تشخیص داده میشود. برای بهبود رتبهبندی قابهای غیرهنجار، از تخصیص امتیاز ناهنجاری با در نظر گرفتن اندازه قطعه و حداکثر فاصله بین ویژگیها استفاده شده است. در مقایسه با الگوریتمهای پیشرفته تشخیص ناهنجاری مبتنی بر بازسازی دادهها، روش پیشنهادی در معیار AUC 10 درصد بهبود را نشان داده و به عدد 83/0 دست یافت. همچنین با تعیین برچسب دادهها بدون نیاز به پردازش تمام ورودیها، امکان استفاده از این روش در کاربردهای برخط نیز وجود دارد.
جدول (3): کارایی روشهادر انتساب برچسبهای ناهنجاری قطعی در رویکرد آموزش منحصر بهویدئو
روشهای تشخیص ناهنجاری
ویژگیهای پایهای اسکلت
ویژگیهای سادهسازی شده
ACC
PreN
RecN
PreA
RecA
ACC
PreN
RecN
PreA
RecA
UAE [13]
0.51
0.68
0.70
0.83
0.73
0.52
0.63
0.52
0.59
0.69
FCAE [13]
0.49
0.64
0.69
0.83
0.72
0.53
0.61
0.47
0.62
0.70
LSTM-ED [14]
0.43
0.57
0.69
0.80
0.76
0.51
0.50
0.32
0.52
0.60
TCN-ED [15]
0.51
0.71
0.72
0.83
0.74
0.49
0.64
0.40
0.58
0.66
VAE-LSTM [16]
0.37
0.55
0.62
0.77
0.71
0.41
0.45
0.29
0.50
0.51
روش پیشنهادی
0.30
0.99
0.20
0.14
0.99
0.61
0.97
0.57
0.21
0.87
جدول (4): کارایی روشهادر انتساب برچسبهای ناهنجاری قطعی در رویکرد آموزش کلی
روشهای تشخیص ناهنجاری
ویژگیهای پایهای اسکلت
ویژگیهای سادهسازی شده
ACC
PreN
RecN
PreA
RecA
ACC
PreN
RecN
PreA
RecA
UAE [13]
0.72
0.86
0.71
0.50
0.75
0.72
0.86
0.71
0.49
0.73
FCAE [13]
0.71
0.81
0.77
0.53
0.55
0.70
0.81
0.74
0.46
0.57
LSTM-ED [14]
0.70
0.82
0.73
0.50
0.61
0.70
0.80
0.78
0.49
0.49
TCN-ED [15]
0.64
0.79
0.73
0.52
0.45
0.63
0.77
0.73
0.44
0.39
VAE-LSTM [16]
0.61
0.77
0.69
0.35
0.43
0.56
0.75
0.61
0.32
0.48
روش پیشنهادی
0.31
0.99
0.22
0.14
0.99
0.77
0.92
0.80
0.30
0.48
مراجع
Kaddoura, S., Vincent, S. & Hemanth, D. J. 2023. "Computational Intelligence and Soft Computing Paradigm for Cheating Detection in Online Examinations", Applied Computational Intelligence and Soft Computing. vol. 2023, 23, https://doi.org/10.1155/2023/3739975.
Thampan, N. & Arumugam, S. 2022. Smart Online Exam Invigilation using AI-based Facial Detection and Recognition Algorithms. 2nd Asian Conference on Innovation in Technology (ASIANCON), https://doi.org/10.1109/ASIANCON55314.2022.9908748.
Goud, S., Abhiram, R., Nayak, P. & Kaushal, P. 2022. Smart attendance monitoring system for online classes using facial recognition. International Conference on Innovative Computing and Communications (ICICC), https://doi.org/10.1007/978-981-19-2535-1_15.
Atoum, Y., Chen, L., Liu, A. X., Hsu, S. D. & Liu, X. 2017. "Automated online exam proctoring", IEEE Transactions on Multimedia. vol. 19, 1609-1624, https://doi.org/10.1109/ TMM.2017. 2656064.
Yadav, B. N. & Rao, M. K. 2022. Malpractice Detection in Online Assessments Using Eye Gaze Tracking and Object Detection in Rising Threats in Expert Applications and Solutions (FICR-TEAS) 701-708, Springer, Singapore, https://doi.org/10.1007/978-981-19-1122-4_73.
Tiong, L. C. O. & Lee, H. J. 2021. "E-cheating Prevention Measures: Detection of Cheating at Online Examinations Using Deep Learning Approach--A Case Study", arXiv preprint arXiv:210109841, https://doi.org/10.48550/arXiv.2101.09841.
Fan, Z., Xu, J., Liu, W. & Cheng, W. 2016. Gesture-based misbehavior detection in online examination. 11th International Conference on Computer Science & Education (ICCSE), Nagoya, Japan, https://doi.org/10.1109/ICCSE.2016.7581586.
Labayen, M., Vea, R., Flórez, J., Aginako, N. & Sierra, B. 2021. "Online student authentication and proctoring system based on multimodal biometrics technology", IEEE Access. vol. 9, 72398-72411, https://doi.org/10.1109/ACCESS.2021.3079375.
Tweissi, A., Al Etaiwi, W. & Al Eisawi, D. 2022. "The Accuracy of AI-Based Automatic Proctoring in Online Exams", Electronic Journal of e-Learning. vol. 20, 419-435, https://doi.org/10.34190/ ejel.20.4.2600.
Mishra, P. K., Mihailidis, A. & Khan, S. S. 2024. "Skeletal Video Anomaly Detection using Deep Learning: Survey, Challenges, and Future Directions", IEEE Transactions on Emerging Topics in Computational Intelligence. vol. 8, 1073-1085, https://doi.org/10.1109/TETCI.2024.3358103.
Kasinathan, V., Yan, C. E., Mustapha, A., Hameed, V. A., Ching, T. H. & Thiruchelvam, V. 2022. "ProctorEx: An Automated Online Exam Proctoring System", Mathematical Statistician and Engineering Applications. vol. 71, 876–889-876–889.
Kariyawasam, S., Lakshan, A., Liyanage, A., Gimhana, K., Piyawardana, V. & Mallawarachchi, Y. 2021. Standalone Application and Chromium Browser Extension-based System for Online Examination Cheating Detection. 2021 3rd International Conference on Advancements in Computing (ICAC).
Abisado, M. B., Gerardo, B. D., Vea, L. A. & Medina, R. P. 2018. Towards academic affect modeling through experimental hybrid gesture recognition algorithm. Proceedings of the 2018 International Conference on Data Science and Information Technology.
Li, H., Xu, M., Wang, Y., Wei, H. & Qu, H. 2021. A visual analytics approach to facilitate the proctoring of online exams. Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems.
Hu, S., Jia, X. & Fu, Y. 2018. Research on abnormal behavior detection of online examination based on image information. 10th International Conference on Intelligent Human-Machine Systems and Cybernetics (IHMSC), Hangzhou, China, https://doi.org/10.1109/IHMSC. 2018. 10127.
Jia, J. & He, Y. 2021. "The design, implementation and pilot application of an intelligent online proctoring system for online exams", Interactive Technology and Smart Education.
Masud, M. M., Hayawi, K., Mathew, S. S., Michael, T. & El Barachi, M. 2022. Smart Online Exam Proctoring Assist for Cheating Detection. International Conference on Advanced Data Mining and Applications (ADMA), Cham, https://doi.org/10.1007/978-3-030-95405-5_9.
Yang, B., Li, H., Xie, H., Zhao, J., Zhu, R. & Zhao, L. 2021. "Abnormal state recognition method for online intelligent examination based on improved genetic algorithm", International Journal of Information and Communication Technology. vol. 18, 334-350.
Luan, N. K., Ha, P. T. T. & Hung, P. D. 2022. An Automated Proctor Assistant in Online Exams Using Computer Vision. International Conference on Cooperative Design, Visualization and Engineering.
A, J. S., Kumaran, H. S., S, U., Rajesh, K. P. B. V. & L, R. 2021. Deep Learning based Approach for Facilitating Online Proctoring using Transfer Learning. 2021 5th International Conference on Computer, Communication and Signal Processing (ICCCSP), 10.1109/ICCCSP52374. 2021.
Kaddoura, S. & Gumaei, A. 2022. "Towards effective and efficient online exam systems using deep learning-based cheating detection approach", Intelligent Systems with Applications. vol. 16, 200153, https://doi.org/10.1016/j.iswa.2022.200153.
Plochaet, J. & Goedemé, T. 2022. Towards Automatic Proctoring of Online Exams Using Video Anomaly Detection in Joint International Scientific Conferences on AI and Machine Learning, BNAIC/BeNeLearn, Belgium.
Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J., Devin, M., Ghemawat, S., Irving, G. & Isard, M. 2016. TensorFlow: a system for Large-Scale machine learning. 12th USENIX symposium on operating systems design and implementation (OSDI 16).
Garg, A., Zhang, W., Samaran, J., Savitha, R. & Foo, C.-S. 2021. "An Evaluation of Anomaly Detection and Diagnosis in Multivariate Time Series", IEEE Transactions on Neural Networks and Learning Systems. vol. 33, 2508 - 2517, https://doi.org/10.1109/TNNLS.2021.3105827.
Malhotra, P., Ramakrishnan, A., Anand, G., Vig, L., Agarwal, P. & Shroff, G. 2016. "LSTM-based encoder-decoder for multi-sensor anomaly detection", arXiv preprint arXiv:160700148, https://doi.org/10.48550/arXiv.1607.00148.
Bai, S., Kolter, J. Z. & Koltun, V. 2018. "An empirical evaluation of generic convolutional and recurrent networks for sequence modeling", arXiv preprint arXiv: 180301271, https://doi.org/ 48550/arXiv.1803.01271.
Park, D., Hoshi, Y. & Kemp, C. C. 2018. "A multimodal anomaly detector for robot-assisted feeding using an lstm-based variational autoencoder", IEEE Robotics and Automation Letters. vol. 3, 1544-1551, https://doi.org/10.1109/LRA.2018.2801475.
اق اتابای,حبیب الله و حسن پور,حمید . (1403). یک روش نیمه نظارت شده و مبتنی بر شباهت حالت بدن برای تشخیص ناهنجاری رفتاری مرتبط با تقلب در ویدئوهای نظارتی آزمونهای الکترونیکی. علوم رایانشی, 9(3), 39-50. doi: 10.22034/csj.2024.209867
MLA
اق اتابای,حبیب الله , و حسن پور,حمید . "یک روش نیمه نظارت شده و مبتنی بر شباهت حالت بدن برای تشخیص ناهنجاری رفتاری مرتبط با تقلب در ویدئوهای نظارتی آزمونهای الکترونیکی", علوم رایانشی, 9, 3, 1403, 39-50. doi: 10.22034/csj.2024.209867
HARVARD
اق اتابای حبیب الله, حسن پور حمید. (1403). 'یک روش نیمه نظارت شده و مبتنی بر شباهت حالت بدن برای تشخیص ناهنجاری رفتاری مرتبط با تقلب در ویدئوهای نظارتی آزمونهای الکترونیکی', علوم رایانشی, 9(3), pp. 39-50. doi: 10.22034/csj.2024.209867
CHICAGO
حبیب الله اق اتابای و حمید حسن پور, "یک روش نیمه نظارت شده و مبتنی بر شباهت حالت بدن برای تشخیص ناهنجاری رفتاری مرتبط با تقلب در ویدئوهای نظارتی آزمونهای الکترونیکی," علوم رایانشی, 9 3 (1403): 39-50, doi: 10.22034/csj.2024.209867
VANCOUVER
اق اتابای حبیب الله, حسن پور حمید. یک روش نیمه نظارت شده و مبتنی بر شباهت حالت بدن برای تشخیص ناهنجاری رفتاری مرتبط با تقلب در ویدئوهای نظارتی آزمونهای الکترونیکی. علوم رایانشی. 1403;9(3):39-50. doi: 10.22034/csj.2024.209867
