Detección de estudiantes que copian en el aula usando Redes Neuronales Convolucionales

René Cruz-Guerrero; Karina Gutiérrez-Fragoso

doi:10.29057/icbi.v9iEspecial.7492

Autores/as

René Cruz-Guerrero Instituto Tecnológico Superior del Oriente del Estado de Hidalgo https://orcid.org/0000-0003-1276-2419
Karina Gutiérrez-Fragoso Instituto Tecnológico Superior del Oriente del Estado de Hidalgo https://orcid.org/0000-0002-4968-0188

DOI:

https://doi.org/10.29057/icbi.v9iEspecial.7492

Palabras clave:

Aprendizaje profundo, redes neuronales convolucionales, clasificación, reconocimiento de imágenes

Resumen

La modernización del proceso educativo implica la automatización de las actividades académicas y administrativas que fomenten un entorno inteligente. Incorporar tecnologías emergentes en las instituciones educativas de nivel superior permitirá transitar hacia la conversión de procesos rutinarios para mejorar la calidad del servicio educativo. El presente trabajo consiste en automatizar la detección de alumnos que copian durante la aplicación de sus exámenes en las aulas utilizando técnicas de Deep Learning con redes neuronales convolucionales. Se obtuvo una precisión de un 95.75% en el modelo de clasificación después de experimentar con diferentes parámetros y arquitecturas de una red neuronal convolucional.

Descargas

Los datos de descargas todavía no están disponibles.

Información de Publicación

Este artículo

Otros artículos

Revisores por pares

Revisores: 2

2.4 promedio

Perfiles de revisores N/D

Declaraciones del autor

Disponibilidad de datos

N/A

16%

Financiamiento externo

No

32% con financiadores

Intereses conflictivos

N/D

11%

Para esta revista

Otras revistas

Artículos aceptados

86%

33%

Días hasta la publicación

80

145

Indexado en

GS

Editor y comité editorial: perfiles
Sociedad académica: N/D
Editora:: Universidad Autónoma del Estado de Hidalgo

Citas

Delgado, A., Timana, D., Golondrino, E. and Villalba K., (2019). Arquitectura IoT para la identificación de personas en entornos educativos, Revista Ibérica de Sistemas y Tecnologías de Información, 841-853.

Krizhevsky, A, I Sutskever, y G Hinton (2012), Imagenet classification with deep convolutional neural networks, In Advances in neural information processing systems, 1097-1105. DOI:10.1145/3065386

LeCun, Y. (2012). Learning Invariant Feature Hierarchies. European Conference on Computer Vision, European Conference on Computer Vision. DOI: 10.1007/978-3-642-33863-2_51

LeCun, Y, Y Bengio, y G Hinton. (2015). Deep learning. Nature. 521(7553), 436-444.

Sudhakar, S., Saberian, M. y Li, J. (2015). Multi-view face detection using Deep Convolutional Neural Networks. Sitio oficial de la Association for Computing Machinery. DOI: 10.1145/2671188.2749408

Szegedy, C. (2015), Going deeper with convolutions, Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. DOI:10.1109/CVPR.2015.7298594

Triantafyllidou, D. y Tefas, A. (2016) Face detection based on deep convolutional neural networks exploiting incremental facial part learning, 23rd International Conference on Pattern Recognition (ICPR), Cancun, Mexico.,3560-3565. DOI:10.1109/ICPR.2016.7900186

Vázquez, M. (2014) Sistema de reconocimiento facial mediante técnicas de visión tridimensional [Tesis de maestría. Centro de investigaciones en Óptica]. Repositorio Institucional.

Zeiler, M D, y R Fergus. Visualizing and understanding convolutional networks. Lecture Notes in Bioinformatics, 2014. DOI:10.1007/978-3-319-10590-1_53