A deep learnıng-based feature extractıon and classıfıcatıon for students actıvıtıes ın exam

Video açıklaması ve insan etkinliği tanıma üzerine yapılan araştırmalar, görsel izleme konusundaki araştırma bulgularını önemli ölçüde iyileştirmektedir. Sınavda izleme etkinlikleri, öğrencilerin bir sınav odasında çeşitli etkinlikler gerçekleştirebilecekleri henüz çözülmemiş bir sorundur. Bu tür faaliyetler, otomatik bir gözetim sistemi aracılığıyla otomatik olarak izlenebilir. Derin özellik çıkarma için derin öğrenme yapıları olarak sıkma ağı ve VGG16 kullandık. Bu özellikler daha sonra tek bir özellik seti oluşturmak için seri olarak birleştirilir. Entropi ve karınca kolonisi optimizasyonu (ACO) tabanlı öznitelik seçimi yaklaşımları, hem filtre hem de sarmalayıcı tabanlı yaklaşımların niteliklerine sahip edinilmiş öznitelik alt kümelerine ayrı ayrı uygulanır. Ayrı olarak seçilen özellikler daha sonra güçlü bir özellik alt kümesi elde etmek için birleştirilir. Son olarak tahmin için SVM tabanlı sınıflandırıcılar uygulanır. Sınıflandırma algoritması, sınav etkinlikleri algılama veri kümesinden öğrenci etkinliklerini tam olarak anormal ve normal sınıflar olarak etiketler. Sonuçlar, sınavda aktivite tanıma için önerilen çerçevenin kabul edilebilir doğrulukla (%92) çok etkili olduğunu göstermektedir. Çerçeve, sınav sistemini iyileştirmek için sınavlardaki öğrenci etkinliğini analiz etmeye yardımcı olacaktır.