論文の概要: A Two-Stage, Object-Centric Deep Learning Framework for Robust Exam Cheating Detection

• arxiv url: http://arxiv.org/abs/2604.16234v1
• Date: Fri, 17 Apr 2026 16:53:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:20.011478
• Title: A Two-Stage, Object-Centric Deep Learning Framework for Robust Exam Cheating Detection
• Title（参考訳）: ロバスト排熱検出のための2段階オブジェクト指向深層学習フレームワーク
• Authors: Van-Truong Le, Le-Khanh Nguyen, Trong-Doanh Nguyen,
• Abstract要約: 学術的完全性は、試験不正の永続的な課題に直面し続けている。 従来の吸気は人間の観察に依存しており、これは非効率でコストがかかり、大規模なエラーを起こしやすい。 本稿では,よく知られた技術を用いた試験不正検出のための簡易な2段階フレームワークの改良を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Academic integrity continues to face the persistent challenge of examination cheating. Traditional invigilation relies on human observation, which is inefficient, costly, and prone to errors at scale. Although some existing AI-powered monitoring systems have been deployed and trusted, many lack transparency or require multi-layered architectures to achieve the desired performance. To overcome these challenges, we propose an improvement over a simple two-stage framework for exam cheating detection that integrates object detection and behavioral analysis using well-known technologies. First, the state-of-the-art YOLOv8n model is used to localize students in exam-room images. Each detected region is cropped and preprocessed, then classified by a fine-tuned RexNet-150 model as either normal or cheating behavior. The system is trained on a dataset compiled from 10 independent sources with a total of 273,897 samples, achieving 0.95 accuracy, 0.94 recall, 0.96 precision, and 0.95 F1-score - a 13\% increase over a baseline accuracy of 0.82 in video-based cheating detection. In addition, with an average inference time of 13.9 ms per sample, the proposed approach demonstrates robustness and scalability for deployment in large-scale environments. Beyond the technical contribution, the AI-assisted monitoring system also addresses ethical concerns by ensuring that final outcomes are delivered privately to individual students after the examination, for example, via personal email. This prevents public exposure or shaming and offers students an opportunity to reflect on their behavior. For further improvement, it is possible to incorporate additional factors, such as audio data and consecutive frames, to achieve greater accuracy. This study provides a foundation for developing real-time, scalable, ethical, and open-source solutions.
• Abstract（参考訳）: 学術的完全性は、試験不正の永続的な課題に直面し続けている。 従来の吸気は人間の観察に依存しており、これは非効率でコストがかかり、大規模なエラーを起こしやすい。 既存のAIによる監視システムがデプロイされ、信頼されているが、多くの場合は透明性が欠如し、望まれるパフォーマンスを達成するために多層アーキテクチャを必要としている。 これらの課題を克服するために、よく知られた技術を用いた物体検出と行動解析を統合した、試験不正検出のための単純な2段階フレームワークの改善を提案する。 まず、最先端のYOLOv8nモデルを用いて、試験室画像中の学生をローカライズする。 検出された各領域は、トリミングされ、プリプロセスされ、その後、微調整されたRexNet-150モデルによって正常または不正な動作に分類される。 システムは、合計で273,897のサンプルを持つ10の独立したソースから収集されたデータセットに基づいてトレーニングされ、ビデオベースの不正検出において、0.95の精度、0.94のリコール、0.96の精度、および0.95のF1スコアを達成した。 さらに,サンプルあたりの平均推定時間は13.9ミリ秒であり,大規模環境におけるロバスト性とスケーラビリティを示す。 技術的な貢献に加えて、AIが支援する監視システムは、例えば個人的なメールを通じて、最終結果が個々の学生にプライベートに提供されることを保証することで、倫理的な懸念にも対処する。 これは公的な露出やシェーミングを防ぎ、生徒に自分の行動を反映する機会を与える。 さらなる改善のために、音声データや連続フレームなどの追加要素を組み込んで精度を高めることができる。 この研究は、リアルタイム、スケーラブル、倫理的、オープンソースソリューションを開発するための基盤を提供する。

関連論文リスト

• AutoOEP -- A Multi-modal Framework for Online Exam Proctoring [1.6522310568442877]
  本稿では,コンピュータビジョンと機械学習を活用した総合的マルチモーダルフレームワークであるAutoOEP(Automated Online Exam Proctoring)を紹介する。 このシステムは、デュアルカメラ装置を使用して、検査の正面ビューとワークスペースの側面ビューの両方をキャプチャし、盲点を最小限にする。 Hand Moduleは、禁止アイテム(携帯電話、ノートなど)を検知し、これらのオブジェクトに手近をトラッキングするために、微調整されたYOLOv11モデルを使用している。
  論文  参考訳（メタデータ） (2025-09-13T16:34:38Z)
• Anomalous Decision Discovery using Inverse Reinforcement Learning [3.3675535571071746]
  異常検出は、知覚システムを通じて異常な行動を特定することによって、自律走行車(AV)において重要な役割を果たす。 現在のアプローチは、しばしば定義済みのしきい値や教師付き学習パラダイムに依存するが、目に見えないシナリオに直面すると効果が低下する。 異常検出のための新しいIRLフレームワークである Trajectory-Reward Guided Adaptive Pre-training (TRAP) を提案する。
  論文  参考訳（メタデータ） (2025-07-06T17:01:02Z)
• Lie Detector: Unified Backdoor Detection via Cross-Examination Framework [68.45399098884364]
  半正直な設定で一貫したバックドア検出フレームワークを提案する。 本手法は,SoTAベースラインよりも5.4%,1.6%,11.9%の精度で検出性能が向上する。 特に、マルチモーダルな大規模言語モデルにおいて、バックドアを効果的に検出するのは、これが初めてである。
  論文  参考訳（メタデータ） (2025-03-21T06:12:06Z)
• Typicalness-Aware Learning for Failure Detection [26.23185979968123]
  ディープニューラルネットワーク(DNN)は、しばしば自信過剰な問題に悩まされる。 そこで本研究では,本問題に対処し,故障検出性能を向上させるために,S typicalness-Aware Learning (TAL) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-04T11:09:47Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [89.92916473403108]
  本稿では,新しい手法のモジュラーフレームワークであるADerの総合的な視覚異常検出ベンチマークを提案する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Uncertainty-inspired Open Set Learning for Retinal Anomaly Identification [71.06194656633447]
  9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。 しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。 UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
  論文  参考訳（メタデータ） (2023-04-08T10:47:41Z)
• Anomaly Detection in Cybersecurity: Unsupervised, Graph-Based and Supervised Learning Methods in Adversarial Environments [63.942632088208505]
  現在の運用環境に固有ののは、敵対的機械学習の実践である。 本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。 我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
  論文  参考訳（メタデータ） (2021-05-14T10:05:10Z)

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。