买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：大连理工大学

摘要：本发明公开了一种基于多实例学习的在线考试作弊识别方法，涉及考试作弊识别技术领域，本发明包括如下步骤：获取视频信息，并提取视频特征；对提取的所述视频特征进行连续采样，确定视频特征中的异常视频；对所述异常视频利用多实例生成器为每个异常视频生成片段标签；本发明通过作弊识别方法的实施，能够准确容易发现作弊行为，并且检测效率较高，存在具体的判断标准，准确性较高，并且能够对很少作弊检测的数据进行准确定位，解决了难以收集的问题，能够快速找出空间中的可疑位置，还能够解决弱监督方式下存在的检测问题，减轻了人员的负担，提高了作弊检测识别的效率和精准度，方便人员使用。

主权项：1.一种基于多实例学习的在线考试作弊识别方法，其特征在于，包括如下步骤：步骤1、获取视频数据及视频级标签；步骤2、提取所述视频数据的片段级特征并进行连续采样，步骤如下：提取所述视频数据的片段级特征，N为特征总数；对所述视频数据的片段级特征进行连续划分，得到多个子集，L表示每个视频中子集的数量，T表示每个子集包含的片段数量；U为子集；步骤3、对所述视频级标签利用多实例生成器为每个异常视频生成片段级标签，步骤如下：多实例生成器根据视频级标签为特征预测实例级分数计算划分后多个所述子集的得分，公式如下：式中，Sl为子集得分；根据所述计算结果计算损失函数，计算公式如下： 其中，max是每个视频的所有子集取最大值；与为正常与异常子集的预测得分；根据所述损失函数计算排名损失，得到排名损失得分，计算公式如下： 在该公式中，将一个视频V视为一个包，并将由视频拆分成的片段vi看作为一个实例；负包标记为表示不包含异常实例，Y＝0；而正包标记为其内至少会包含一个异常实例，Y＝1；因此，视频异常检测可建模为MIL问题中的实例检测，即在正包中搜索异常实例vi并赋予异常分数，从而能够从弱监控信号下检测异常；在给定正负包后，针对Ba和Bn中的每个片段提取特征及然后，特征信息被输入到多实例生成器中，以估计每个片段的异常分数；将异常分数进行归一化处理后，作为对应视频的片段级标签并放入可解释性编码器进行训练从而定位空间维度上的异常；通过在排名损失得分中引入稀疏性和平滑性约束，得到了深度排名损失，公式如下： 式中，1式作为平滑项，2式为稀疏项；λ1与λ2是用于平衡排序损失的超参数；将损失函数和深度排名损失相结合，训练出能够生成片段级标签的多实例生成器；根据得分确定异常视频片段；多实例生成器根据所述异常视频片段分数计算实例级标签，公式如下： 式中，在[0,1]中，作为片段标签；为异常片段对应的实例级分数；代表异常实例级分数的集合；最后，将生成的标签数据与对应的视频片段相结合，作为原始特征编码器的输入；步骤4、将所述片段标签输入可解释特征编码器，对可解释特征编码器进行训练，可解释性特征编码器由两个分支组成：可视化分支和辅助分支，可视化分支需要从原始特征编码器的倒数第二个卷积层提取特征图与最后的卷积层的特征图；同时，原始特征编码器引入了两个由卷积层构成的子模块进行编码；辅助分支直接对子模块编码后的特征图进行全局平均池化，并通过激活函数预测得分，加强特征编码器的可视化能力；可解释特征编码器的训练步骤如下：获取视频片段及对应的标签数据；将所述视频片段输入到可解释特征编码器中进行计算，得到计算结果，计算公式如下：A3＝A1+M1A2°A1式中，°为元素级乘法；A3最终通过全局平均池化应用于全连接层来预测异常分数；A1为最后的卷积层的特征图；A2为倒数第二个卷积层提取特征图；M1为卷积层构成的子模块；在辅助分支中，特征图A2通过子模块M2后进行全局平均池化和通道级平均池化进行压缩，并通过softmax激活函数得到正常和异常的辅助得分；根据计算结果，利用交叉熵损失函数训练出具备可视化能力的可解释性特征编码器；步骤5、对提取的所述视频数据的片段级特征进行特征图提取；步骤6、将提取的所述特征图输入所述训练后的可解释特征编码器，并利用注意力机制自动标注画面中的可疑位置。

全文数据：

权利要求：

百度查询： 大连理工大学 一种基于多实例学习的在线考试作弊识别方法