論文の概要: Recognizing student identification numbers from the matrix templates
using a modified U-net architecture
- arxiv url: http://arxiv.org/abs/2307.06120v1
- Date: Wed, 12 Jul 2023 12:20:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-13 13:11:06.513462
- Title: Recognizing student identification numbers from the matrix templates
using a modified U-net architecture
- Title（参考訳）: 修正U-netアーキテクチャを用いた行列テンプレートからの学生識別数認識
- Authors: Filip Pavi\v{c}i\'c
- Abstract要約: 本稿では,試験と知識テストにおける学生の識別に対する革新的なアプローチを提案する。
提案手法は,数を含む正方形を選択的に黒くする試験の指定された区間に行列テンプレートを用いている。
生徒の個人識別番号の認識に特化して設計されたニューラルネットワークを開発した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents an innovative approach to student identification during
exams and knowledge tests, which overcomes the limitations of the traditional
personal information entry method. The proposed method employs a matrix
template on the designated section of the exam, where squares containing
numbers are selectively blackened. The methodology involves the development of
a neural network specifically designed for recognizing students' personal
identification numbers. The neural network utilizes a specially adapted U-Net
architecture, trained on an extensive dataset comprising images of blackened
tables. The network demonstrates proficiency in recognizing the patterns and
arrangement of blackened squares, accurately interpreting the information
inscribed within them. Additionally, the model exhibits high accuracy in
correctly identifying entered student personal numbers and effectively
detecting erroneous entries within the table. This approach offers multiple
advantages. Firstly, it significantly accelerates the exam marking process by
automatically extracting identifying information from the blackened tables,
eliminating the need for manual entry and minimizing the potential for errors.
Secondly, the method automates the identification process, thereby reducing
administrative effort and expediting data processing. The introduction of this
innovative identification system represents a notable advancement in the field
of exams and knowledge tests, replacing the conventional manual entry of
personal data with a streamlined, efficient, and accurate identification
process.
- Abstract（参考訳）: 本稿では,従来の個人情報入力手法の限界を克服する,試験や知識試験における学生識別の革新的アプローチを提案する。
提案手法は,数を含む正方形を選択的に黒くする試験の指定された部分に行列テンプレートを用いる。
この手法は、学生の個人識別番号を認識するために特別に設計されたニューラルネットワークの開発を含む。
ニューラルネットワークは特別に適応したU-Netアーキテクチャを使用し、黒色テーブルの画像からなる広範なデータセットに基づいてトレーニングされる。
ネットワークは、黒字正方形のパターンや配置を認識し、その中に刻まれた情報を正確に解釈する能力を示す。
また、入力した学生の個人番号を正確に識別し、テーブル内の誤入力を効果的に検出する精度も高い。
このアプローチには複数の利点がある。
まず、黒字表から識別情報を自動抽出し、手動入力の必要性をなくし、エラーの可能性を最小化することにより、試験マーキングプロセスを著しく加速する。
次に、識別プロセスを自動化し、管理労力を削減し、データ処理を迅速化する。
この革新的な識別システムの導入は、従来の手動による個人データの入力を合理化し、効率的で正確な識別プロセスに置き換え、試験や知識テストの分野で顕著な進歩を示している。
関連論文リスト
- Learning Predictive Checklists with Probabilistic Logic Programming [17.360186431981592]
本稿では,画像や時系列などの様々なデータモダリティから予測チェックリストを学習する手法を提案する。
本手法は,チェックリストの離散性と連続値データとのマッチングを可能にする学習パラダイムである確率論的論理プログラミングに依存する。
提案手法は,画像シーケンス,時系列,臨床ノートを含む予測タスクにおいて,さまざまな説明可能な機械学習手法より優れていることを示す。
論文 参考訳（メタデータ） (2024-11-25T09:07:19Z) - Adaptive Pre-training Data Detection for Large Language Models via Surprising Tokens [1.2549198550400134]
大きな言語モデル(LLM)は広く使われているが、プライバシー、セキュリティ、著作権については不透明なトレーニングデータのために懸念されている。
この問題に対する現在の解決策は、メンバーシップ推論攻撃(MIA)のような機械学習プライバシで探索されたテクニックを活用する。
本稿では、この信頼性を軽減し、同定を効果的に増幅する適応型事前学習データ検出法を提案する。
論文 参考訳（メタデータ） (2024-07-30T23:43:59Z) - A Fixed-Point Approach to Unified Prompt-Based Counting [51.20608895374113]
本研究の目的は,ボックス,ポイント,テキストなど,さまざまなプロンプト型で示されるオブジェクトの密度マップを生成することができる包括的プロンプトベースのカウントフレームワークを確立することである。
本モデルは,クラスに依存しない顕著なデータセットに優れ,データセット間の適応タスクにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2024-03-15T12:05:44Z) - XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners [71.8257151788923]
低リソーステキスト分類のための新しい説明可能なアクティブラーニングフレームワーク(XAL)を提案する。
XALは分類器に対して、推論を正当化し、合理的な説明ができないラベルのないデータを掘り下げることを推奨している。
6つのデータセットの実験では、XALは9つの強いベースラインに対して一貫した改善を達成している。
論文 参考訳（メタデータ） (2023-10-09T08:07:04Z) - Dynamically Masked Discriminator for Generative Adversarial Networks [71.33631511762782]
GAN(Generative Adversarial Networks)のトレーニングは依然として難しい問題である。
識別器は、実際の/生成されたデータの分布を学習してジェネレータを訓練する。
本稿では,オンライン連続学習の観点から,GANの新たな手法を提案する。
論文 参考訳（メタデータ） (2023-06-13T12:07:01Z) - Unleashing Mask: Explore the Intrinsic Out-of-Distribution Detection
Capability [70.72426887518517]
Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイする際に、セキュアAIの必須の側面である。
本稿では,IDデータを用いた学習モデルのOOD識別能力を復元する新しい手法であるUnleashing Maskを提案する。
本手法では, マスクを用いて記憶した非定型サンプルを抽出し, モデルを微調整するか, 導入したマスクでプルーする。
論文 参考訳（メタデータ） (2023-06-06T14:23:34Z) - Random Relabeling for Efficient Machine Unlearning [8.871042314510788]
個人が個人データと関連するデータプライバシ規則を撤回する権利は、機械学習に大きな課題をもたらす。
本研究では,逐次データ削除要求を効率的に処理するためのランダムな学習手法を提案する。
確率分布の類似性に基づく制約の少ない除去証明法も提案する。
論文 参考訳（メタデータ） (2023-05-21T02:37:26Z) - Unsupervised Text Deidentification [101.2219634341714]
個人識別情報を漏洩する単語を隠蔽する教師なしの識別手法を提案する。
K匿名性に基づくプライバシによって動機づけられた私たちは、最小の再識別ランクを保証するリアクションを生成します。
論文 参考訳（メタデータ） (2022-10-20T18:54:39Z) - Light-weight Deformable Registration using Adversarial Learning with
Distilling Knowledge [17.475408305030278]
本稿では,競争精度を向上しつつ計算コストを大幅に削減する軽量変形型レジストレーションネットワークを提案する。
特に,有効だが高価な教師ネットワークから学生ネットワークへの有意義な情報を活用した蒸留知識アルゴリズムを用いた新たな逆学習を提案する。
各種公開データセットに対する実験結果から,提案手法は最先端の精度を達成できる一方で,最近の手法よりもはるかに高速であることがわかった。
論文 参考訳（メタデータ） (2021-10-04T09:59:01Z) - Bias in Multimodal AI: Testbed for Fair Automatic Recruitment [73.85525896663371]
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
我々は、性別や人種の偏りを意識的に評価したマルチモーダルな合成プロファイルを用いて、自動求人アルゴリズムを訓練する。
我々の方法論と結果は、一般により公平なAIベースのツール、特により公平な自動採用システムを生成する方法を示している。
論文 参考訳（メタデータ） (2020-04-15T15:58:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。