CN116704401A - 操作类考试的评分校验方法、装置、电子设备及存储介质 - Google Patents
操作类考试的评分校验方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116704401A CN116704401A CN202310487992.4A CN202310487992A CN116704401A CN 116704401 A CN116704401 A CN 116704401A CN 202310487992 A CN202310487992 A CN 202310487992A CN 116704401 A CN116704401 A CN 116704401A
- Authority
- CN
- China
- Prior art keywords
- score
- examination
- examinee
- scoring
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012795 verification Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012360 testing method Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003702 image correction Methods 0.000 description 85
- 238000012549 training Methods 0.000 description 15
- 238000012937 correction Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000013138 pruning Methods 0.000 description 8
- 238000013140 knowledge distillation Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000474 nursing effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Educational Technology (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computer Graphics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种操作类考试的评分校验方法、装置、电子设备及存储介质,该方法包括:获取目标考生的操作类考试视频和评分;获取操作类考试视频中的考生操作信息;基于考生操作信息,确定目标考生的预期分数;基于评分与预期分数之间的比较,确定评分的校验结果。本申请实施例可通过从操作类考试视频中提取出考生操作信息,并给出相应的预期分数,基于预期分数来校验评分,实现了对于操作类考试的评分校验,以避免出现评分误差较大的情况。
Description
技术领域
本申请涉及评分校验技术领域,尤其涉及一种操作类考试的评分校验方法、装置、电子设备及存储介质。
背景技术
对于实际操作类的考试,例如护理操作考试、机床维修考试等,一般由监考老师基于考生的现场实际操作情况进行手动打分。但由于考生操作的及时性,监考老师往往无法及时观察到考生的所有实际操作,使得监考老师的评分可能存在较大误差,并且在考试结束后往往无法对评分进行校验。
因此,现有的操作类考试存在评分无法校验的技术问题。
发明内容
针对现有技术的不足,本申请提供了一种操作类考试的评分校验方法、装置、电子设备及存储介质,旨在实现对于操作类考试的评分校验,以避免出现评分误差较大的情况。
第一方面,本申请实施例提供了一种操作类考试的评分校验方法,包括:
获取目标考生的操作类考试视频和评分;
获取所述操作类考试视频中的考生操作信息;
基于所述考生操作信息,确定所述目标考生的预期分数;
基于所述评分与所述预期分数之间的比较,确定所述评分的校验结果。
在本申请的一些实施例中,所述获取所述操作类考试视频中的考生操作信息,包括:
对所述操作类考试视频中的所述目标考生进行三维建模,得到所述目标考生的三维模型;
获取所述三维模型在所述操作类考试视频中的多个动作信息,以及多个动作信息在所述操作类考试视频中的先后执行顺序;
基于所述多个动作信息、所述先后执行顺序,生成所述操作类考试视频中的考生操作信息。
在本申请的一些实施例中,所述基于所述考生操作信息,确定所述目标考生的预期分数,包括:
获取所述操作类考试视频的预设标准操作信息;
确定所述考生操作信息与所述预设标准操作信息之间的操作匹配度;
基于所述操作匹配度,确定所述目标考生的预期分数。
在本申请的一些实施例中,所述确定所述考生操作信息与所述预设标准操作信息之间的操作匹配度,包括:
将所述考生操作信息与所述预设标准操作信息输入至预设的操作匹配度模型中;
获取所述操作匹配度模型输出的所述操作匹配度。
在本申请的一些实施例中,所述基于所述评分与所述预期分数之间的比较,确定所述评分的校验结果,包括:
确定所述评分与所述预期分数之间的差值;
在所述差值小于或等于预设阈值时,判定所述评分的校验结果为校验通过;
在所述差值大于所述预设阈值时,判定所述评分的校验结果为校验未通过。
在本申请的一些实施例中,所述基于所述操作匹配度,确定所述目标考生的预期分数,包括:
获取所述操作类考试视频的打分人历史打出的多个历史评分;
基于多个所述历史评分的历史校验结果,确定所述打分人的评分校验通过率;
采用所述评分校验通过率,修正所述操作匹配度,得到所述目标考生的预期分数。
在本申请的一些实施例中,所述获取目标考生的操作类考试视频,包括:
获取所述目标考生进行操作类考试时的多个角度的视频数据;
将所述多个角度的视频数据,作为所述目标考生的操作类考试视频。
第二方面,本申请实施例还提供了一种操作类考试的评分校验装置,其包括:
第一获取模块,用于获取目标考生的操作类考试视频和评分;
第二获取模块,用于获取所述操作类考试视频中的考生操作信息;
第一确定模块,用于基于所述考生操作信息,确定所述目标考生的预期分数;
第二确定模块,用于基于所述评分与所述预期分数之间的比较,确定所述评分的校验结果。
第三方面,本申请实施例又提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上述第一方面所述的操作类考试的评分校验方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的操作类考试的评分校验方法。
本申请实施例提供了一种操作类考试的评分校验方法、装置、电子设备及存储介质,该方法包括:获取目标考生的操作类考试视频和评分;获取操作类考试视频中的考生操作信息;基于考生操作信息,确定目标考生的预期分数;基于评分与预期分数之间的比较,确定评分的校验结果。本申请实施例可通过从操作类考试视频中提取出考生操作信息,并给出相应的预期分数,基于预期分数来校验评分,实现了对于操作类考试的评分校验,以避免出现评分误差较大的情况。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的操作类考试的评分校验***的场景示意图;
图2是本申请实施例中提供的操作类考试的评分校验方法的一个实施例流程示意图;
图3是本申请实施例中提供的操作类考试的评分校验方法的另一实施例流程示意图;
图4是本申请实施例中提供的操作类考试的评分校验方法的又一实施例流程示意图;
图5是本申请实施例中提供的操作类考试的评分校验装置的一个实施例结构示意图;
图6是本申请实施例中提供的电子设备的一个实施例结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请中,“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本申请,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本申请。在其它实例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本申请的描述变得晦涩。因此,本申请并非旨在限于所示的实施例,而是与符合本申请所公开的原理和特征的最广范围相一致。
本申请实施例提供一种操作类考试的评分校验方法、装置、电子设备及存储介质,以下分别进行详细说明。
如图1所示,图1是本申请实施例提供的操作类考试的评分校验***的场景示意图,该操作类考试的评分校验***可以包括电子设备100,电子设备100中集成有操作类考试的评分校验装置。
本申请实施例中,该电子设备100可以为终端或者服务器,当电子设备100为服务器时,可以是独立的服务器,也可以是服务器组成的服务器网络或服务器集群,例如,本申请实施例中所描述的电子设备100,其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器以构建的云服务器。其中,云服务器由基于云计算(CloudComputing)的大量计算机或网络服务器以构建。
可以理解的是,本申请实施例中电子设备100为终端时,所使用的终端可以是既包括接收和发射硬件的设备,即具有能够在双向通信链路上,执行双向通信的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的电子设备100具体可以是台式终端或移动终端,电子设备100具体还可以是手机、平板电脑、笔记本电脑、医疗辅助仪器等中的一种。
本领域技术人员可以理解,图1中示出的应用环境,仅仅是与本申请方案一种应用场景,并不构成对本申请方案应用场景的限定,其他的应用环境还可以包括比图1中所示更多或更少的电子设备,例如图1中仅示出1个电子设备,可以理解的,该操作类考试的评分校验***还可以包括一个或多个其他电子设备,具体此处不作限定。
另外,如图1所示,该操作类考试的评分校验***还可以包括存储器200,用于存储数据,如存储目标考生的操作类考试视频和评分、操作类考试的评分校验数据,例如操作类考试的评分校验***运行时的操作类考试的评分校验数据。
需要说明的是,图1所示的操作类考试的评分校验***的场景示意图仅仅是一个示例,本申请实施例描述的操作类考试的评分校验***以及场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着操作类考试的评分校验***的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
接下来,介绍本申请实施例提供的操作类考试的评分校验方法。
本申请实施例操作类考试的评分校验方法的实施例中以操作类考试的评分校验装置作为执行主体,为了简化与便于描述,后续方法实施例中将省略该执行主体,该操作类考试的评分校验装置应用于电子设备。
请参阅图2至图4,图2为本申请实施例中提供的操作类考试的评分校验方法的一个实施例流程示意图,该操作类考试的评分校验方法包括:
201、获取目标考生的操作类考试视频和评分;
在本申请的实施例中,操作类考试视频为目标考生进行操作类考试时的视频。操作类考试可以是护理操作考试、机床维修考试等。评分为在操作类考试中该目标考试的操作的人工打分,因此需要对该评分进行校验。
在本申请的一些实施例中,获取目标考生的操作类考试视频和评分,可以包括:获取目标考生进行操作类考试时的多个角度的视频数据;将多个角度的视频数据,作为目标考生的操作类考试视频,即目标考生的操作类考试视频中包括多个角度的视频数据。
在本申请的一些实施例中,采集上述操作类考试视频的摄像装置一般为鱼眼摄像头。鱼眼摄像头因其视域广、可视角度大等优点而被广泛应用于有开阔面积监控需求的领域。其中,鱼眼摄像头所拍摄图像称为鱼眼图像,由于鱼眼摄像头成像原理的特点,故鱼眼图像会存在较大的图像畸变,在直接观看或者进行下游任务之前,往往需要对鱼眼图像进行畸变矫正。
目前,在对鱼眼图像进行畸变矫正的过程中,通常采用标定的摄像头内参数和畸变系数来对鱼眼图像进行矫正,但是采用该方式矫正后的图像的边缘发生了较大的形变,导致需要对矫正后的图像进行边缘裁剪,进而导致矫正后的图像损失了原始图像的边缘信息,可视域减少,与使用鱼眼摄像头的初衷相悖。同时,上述方法计算复杂度较高,导致无法在手机、USB摄像头等终端中实现独立、实时的矫正运算。对此,本申请还提供一种模型的微调方法,以解决该技术问题,具体如下:
模型的微调方法包括以下步骤S110~S130。
S110、获取预先训练好的生成式对抗网络;其中,所述生成式对抗网络包括图像判别模型和第一图像矫正模型;
S120、根据所述第一图像矫正模型构建第二图像矫正模型;其中,所述第一图像矫正模型为教师模型,所述第二图像矫正模型为学生模型;
S130、根据所述第一图像矫正模型对所述第二图像矫正模型进行知识蒸馏,得到蒸馏后的第二图像矫正模型。
具体的,生成式对抗网络通常包括生成器和判别器,采用对抗训练的思想,通过生成器和判别器的互相博弈学习以输出所需要的数据。
在本实施例中,生成式对抗网络预先通过图像样本训练得到,并用于对出现畸变的图像进行矫正。其中,预先训练好的生成式对抗网络中的判别器为本申请中提及的图像判别模型,生成器为本申请提及的第一图像校矫正模型,第一图像矫正模型可以用于对畸变图像进行图像矫正。然而,第一图像矫正模型的参数量较大,无法在手机、USB摄像头等终端中实现独立、实时的矫正运算。因此,在获取到预先训练好的生成式对抗网络后,将生成式对抗网络中的第一图像矫正模型作为教师模型来构建第一图像校正模型的学生模型,也就是第二图像矫正模型。
其中,教师模型为单个复杂网络或者是若干网络的集合且拥有良好的性能和泛化能力的模型,学生模型为网络规模较小且表达能力有限的模型,教师模型的学习能力强,可以将其学到的知识迁移给学习能力相对弱的学生模型,以此来增强学生模型的泛化能力。本申请通过利用教师模型来辅助学生模型的训练,使得学生模型具有与教师模型相当的性能,但是参数数量大幅降低,从而实现模型压缩与加速。
在根据第一图像矫正模型构建第二图像矫正模型的过程中,可以对第一图像矫正模型进行剪枝、参数共享等方式来构建第二图像矫正模型,并使第一图像矫正模型来辅助第二图像矫正模型进行训练,从而实现将第一图像矫正模型学到的知识迁移至第一图像矫正模型中,进而使得蒸馏后的第二图像矫正模型具备与第一图像矫正模型一样的图像矫正的功能。
在其他实施例中,步骤S110之前,还包括步骤S210和S220。
S210、根据相机的内参数、畸变系数构建第一图像样本集;
S220、根据所述第一图像样本集对所述生成式对抗网络进行训练,得到训练后的生成式对抗网络。
在本实施例中,第一图像样本集为用于训练生成式对抗网络的图像数据集,第一图像样本集由畸变图像和未畸变图像组成,畸变图像为未畸变图像在发生畸变后的图像。其中,畸变图像可以基于相机的内参数、畸变系数对未畸变图像进行处理得到。相机优选选择鱼眼相机,但不仅仅限于鱼眼相机。
在其他实施例中,步骤S210包括步骤S211、S212和S213。
S211、根据棋盘标定法对所述相机进行标定,得到所述相机的内参数和畸变系数;
S212、根据所述内参数、所述畸变系数对第一图像进行处理,得到第二图像;其中,所述第二图像为所述第一图像的畸变图像;
S213、根据所述第一图像、所述第二图像构建所述第一图像样本集。
在本实施例中,相机的内参数和畸变系数可以通过棋盘标定法获取得到,具体可以采用鱼眼相机从多个角度和位置拍摄标定用的棋盘格,并用鱼眼标定算法计算出内参数和畸变系数;内参数的矩阵K可以为:
畸变系数的向量D可以为:
D=(k1,k2,k3,k4)
其中,fx、fy为焦距的参数,cx、cy为图像原点相对于光心成像点的纵横偏移量,k1、k2、k3、k4为相机的径向和横向的畸变系数。
具体的,第一图像为标签样本,第二图像为输入样本,第一图像为无畸变高分辨率图像,第二图像为有畸变高分辨率图像,第二图像由第一图像通过内参数、畸变系数构成的畸变映射关系进行转换得到,生成第二图像的具体过程包括:
采用K、D计算校正后的相机内参矩阵R;其中,R=fe(K,D);
使用奇异值对相机内参矩阵R进行分解以得到R的逆矩阵iR;其中,iR=SVD(R);
根据逆矩阵iR将第一图像的二维坐标(u,v)转换至相机坐标系(x,y,z);其中,(x,y,z)=(u,v,1)*iR;
在z轴上进行归一化处理,即
计算鱼眼半球截面半径r;其中,
计算光线与光轴的入射夹角θ;其中,θ=atan(r);
对入射夹角θ进行校正,以得到校正后的入射夹角θd;其中,θd=θ(1+k1θ2+k2θ4+k3θ6+k4θ8);
根据校正后的入射夹角生成校正后的相机坐标系坐标(x′,y′);其中,
将相机坐标系转换成像素坐标系(u′,v′),即(u′,v′)为第二图像二维坐标;其中,u′=fxx′+cx,v′=fyy′+cy。
在其他实施例中,步骤S220包括步骤S221、S222、S223和S224。
S221、将所述第二图像输入至所述第一图像矫正模型中,得到第三图像;
S222、根据所述第一图像、所述第三图像构建第二图像样本集;
S223、根据所述图像样本集对所述图像判别模型进行训练,得到训练后的图像判别模型;
S224、根据所述第二图像对所述第一图像矫正模型进行训练,得到训练后的第一图像矫正模型。
在本实施例中,第三图像为伪非畸变图像,其通过第一图像矫正模型对第二图像进行矫正处理得到,第二图像样本集由第一图像、第三图像组成并用于对图像判别模型进行训练,以便于图像判别模型能够更好的区分伪图像和真实图像。
在图像判别模型完成训练后,将图像判别模型进行固定,并将第二图像输入至第一图像矫正模型中以对第一图像矫正模型进行训练,进而使得第一图像矫正模型生成的图像能够让图像判别模型无法区分其为伪图像,进而便可以得到完成训练后的第一图像矫正模型。
在其他实施例中,步骤S120包括步骤S121、S122和S123。
S121、对所述第一图像矫正模型进行网络参数修剪,得到第三图像矫正模型;
S122、对所述第三图像矫正模型进行知识蒸馏,得到蒸馏后的第三图像矫正模型;
S123、对所述蒸馏后的第三图像矫正模型进行网络参数修剪,得到所述第二图像矫正模型。
在本实施例中,第三图像矫正模型同样也为第一图像矫正模型的学生模型,只是第三图像矫正模型的网络参数仍然较大,其仍然无法在手机、USB摄像头等终端中实现独立、实时的矫正运算,故在对第三图像矫正模型进行知识蒸馏后,还需要对第三图像矫正模型进行至少一次的参数修剪,直至最终修剪后的图像矫正模型可以在手机、USB摄像头等终端中实现独立、实时的矫正运算。
需要说明的是,步骤S123中对蒸馏后的第三图像矫正模型进行网络参数修剪的过程中,还可以得到第四图像矫正模型,然后再次对第四图像矫正模型执行步骤S122和S123,直至最终修剪后的图像矫正模型可以在手机、USB摄像头等终端中实现独立、实时的矫正运算。
其中,在对第一图像矫正模型的参数修剪前,需要单独构建第一图像矫正模型的网络结构,并加载第一图像矫正模型的权重,进而便可以实现将第一图像矫正模型从生成式对抗网络中剥离。其中,第一图像矫正模型的参数修剪的数量与第一图像矫正模型的最小功能单元相关。同时,在对第一图像矫正模型进行参数修剪时,可以以第一图像矫正模型中的基础单元为单位进行修剪。例如,第一图像矫正模型的网络结构为Resnet时,则可以以ResBlock为单位进行修剪。
在另外一些实施例中,在采用第一图像样本集对第四图像矫正模型M′g进行训练完成后,采用预设的测试样本集来对第四图像矫正模型M′g进行测试,以计算出训练完成后的第四图像矫正模型M′g在测试样本集中的第一准确度同时采用该样本集对第一图像矫正模型Mg进行测试,以计算处第一图像矫正模型Mg在测试样本集中的第二准确度然后计算第一准确度/>与第二准确度/>之间的差值Δacc是否大于预设的第一阈值Thr,若大于预设的第一阈值Thr,则可以直接将第三图像矫正模型作为第二图像矫正模型。其中,/>上述判断公式为:
当S=1时,则可以停止修剪和训练,取上一次修剪后的图像模型作为第二图像矫正模型。
在其他实施例中,步骤S130包括步骤S131和S132。
S131、获取所述第一图像矫正模型输出的第一预测值以及所述第二图像矫正模型输出的第二预测值;
S132、根据所述第一预测值、所述第二预测值确定蒸馏后的第二图像矫正模型。
在本实施例中,采用第一图像矫正模型对第二图像矫正模型进行知识蒸馏时,具体可以将第一图像样本集输入至第一图像矫正模型以对第二图像模型进行训练以输出第二预测值,同时根据从第一图像模型中获取对应的预测值,也就是第一预测值,然后通过第一预测值和第二预测值之间的偏差来确定第二图像矫正模型是否完成知识蒸馏。
具体的,通过获取t时刻的第一预测值和第二预测值,并根据第一预测值和第二预测值生成预测值的偏差,并判断该偏差是否大于设定的第二阈值,若大于设定的第二阈值,则取t-1时刻的第二图像矫正模型作为最终知识蒸馏后的第二图像矫正模型。
在其他实施例中,步骤S130之后,还包括步骤S140和S150。
S140、将蒸馏后的第二图像矫正模型部署至终端设备中;
S150、根据所述终端设备中蒸馏后的第二图像矫正模型对待矫正图像进行矫正,得到矫正后的图像。
在本实施例中,蒸馏后的第二图像矫正模型可以部署至手机、usb摄像头等设备上,也就是终端设备可以为轻量化的终端设备,该终端设备可以获取鱼眼相机拍摄的视频流,将视频流解码并采帧得到待矫正图像,并使用蒸馏后的第二图像矫正模型对待矫正图像进行矫正,便可以得到矫正后的图像。
在本申请实施例所提供的模型的微调方法中,通过获取预先训练好的生成式对抗网络;其中,所述生成式对抗网络包括图像判别模型和第一图像矫正模型;根据所述第一图像矫正模型构建第二图像矫正模型;其中,所述第一图像矫正模型为教师模型,所述第二图像矫正模型为学生模型;根据所述第一图像矫正模型对所述第二图像矫正模型进行知识蒸馏,得到蒸馏后的第二图像矫正模型。本申请提供的蒸馏后的第二图像矫正模型在终端设备上对图像进行矫正后,不仅可以保留原始图像的全部信息,而且还可以实现全图的畸变矫正和细节补充,同时还可以保证该模型在终端设备上运行速率。
202、获取所述操作类考试视频中的考生操作信息;
在本申请的一些实施例中,操作类考试视频中的考生操作信息可以包括目标考生的动作、动作的先后执行顺序、手势、姿态、标签中的至少一个。
在本申请的一些实施例中,获取操作类考试视频中的考生操作信息,可以包括:对操作类考试视频中的目标考生进行三维建模,得到目标考生的三维模型;获取三维模型在操作类考试视频中的多个动作信息,以及多个动作信息在操作类考试视频中的先后执行顺序;基于多个动作信息、先后执行顺序,生成操作类考试视频中的考生操作信息,即考生操作信息中包括三维模型的多个动作信息、多个动作信息的先后执行顺序。可以看出,通过构建目标考生的三维建模,进而确定考生操作信息,可以使得获取到的考生操作信息更加准确。此外,在目标考生的操作类考试视频中包括上述多个角度的视频数据时,即是综合多个角度的视频数据生成三维模块,得到的三维建模可更加准确,并且,三维模型在操作类考试视频中的多个动作信息的获取也会更加准确全面。
203、基于所述考生操作信息,确定所述目标考生的预期分数;
在本申请的一些实施例中,预期分数为通过机器自动计算出的分数,与人工打分得到的上述评分不同。一般来说,在考生操作信息不同时,预期分数也不同。
204、基于所述评分与所述预期分数之间的比较,确定所述评分的校验结果。
在本申请的一些实施例中,评分的校验结果可以是校验未通过、校验通过等。
本申请实施例提供的操作类考试的评分校验方法,通过从操作类考试视频中提取出考生操作信息,并给出相应的预期分数,基于预期分数来校验评分,实现了对于操作类考试的评分校验,以避免出现评分误差较大的情况。
在本申请的一些实施例中,如图3所示,基于考生操作信息,确定目标考生的预期分数,可以包括:
301、获取所述操作类考试视频的预设标准操作信息;
在本申请的实施例中,操作类考试视频的预设标准操作信息为事先设定,例如基于实际情况,事先设定预设标准操作信息中的动作信息、预设标准操作信息中动作信息的先后执行顺序。
302、确定所述考生操作信息与所述预设标准操作信息之间的操作匹配度;
在本申请的实施例中,操作匹配度可通过神经网络模型的方式来计算。具体地,确定考生操作信息与预设标准操作信息之间的操作匹配度,可以包括:将考生操作信息与预设标准操作信息输入至预设的操作匹配度模型中;获取操作匹配度模型输出的操作匹配度,从而实现操作匹配度的计算。
其中,操作匹配度模型为神经网络模型,其生成过程如下:获取初始的神经网络模型,初始的神经网络模型可以是卷积神经网络(Convolutional Neural Networks,CNN)、循环神经网络(Recurrent Neural Network,RNN)等;采用预设的第一操作信息、预设的第二操作信息、第一操作信息与第二操作信息之间的预设操作匹配度,对初始的神经网络模型进行模型训练,得到操作匹配度模型,其中,第一操作信息、第二操作信息、第一操作信息与第二操作信息之间的预设操作匹配度由人工事先选取,模型训练的具体过程在此不做赘述。
303、基于所述操作匹配度,确定所述目标考生的预期分数。
在本申请的实施例中,一般来说,在操作匹配度越高时,表明考生操作信息越正确,因此目标考生的预期分数也越高。
本申请实施例提供的操作类考试的评分校验方法,通过考生操作信息与预设标准操作信息之间的匹配,实现了目标考生的预期分数的自动计算。
在本申请的一些实施例中,如图4所示,基于评分与预期分数之间的比较,确定评分的校验结果,可以包括:
401、确定所述评分与所述预期分数之间的差值;
402、在所述差值小于或等于预设阈值时,判定所述评分的校验结果为校验通过;
在本申请的实施例中,在差值小于或等于预设阈值时,表明评分与预期分数之间的差异较小,评分未出错,因此评分的校验结果为校验通过。
403、在所述差值大于所述预设阈值时,判定所述评分的校验结果为校验未通过。
在本申请的实施例中,在差值大于预设阈值时,表明评分与预期分数之间的差异较大,评分可能出错,因此评分的校验结果为校验未通过。此外,还可将该校验结果发送至预设的复核终端,以供复核终端对该评分进行进一步的审核。
在本申请的一些实施例中,基于操作匹配度,确定目标考生的预期分数,可以包括:获取操作类考试视频的打分人历史打出的多个历史评分,多个历史评分可以是该打分人对于其他操作类考试视频的历史评分;基于多个历史评分的历史校验结果,确定打分人的评分校验通过率,其中,历史校验结果即历史的校验结果,打分人的评分校验通过率可以是:在多个历史评分的历史校验结果中,结果为校验通过的历史校验结果的占比;采用评分校验通过率,修正操作匹配度,得到目标考生的预期分数,一般来说,评分校验通过率越高,预期分数也越高。可以看出,通过打分人的评分校验通过率对操作匹配度进行修正,使修正得到的预期分数更加准确。
本申请实施例提供的操作类考试的评分校验方法,通过评分与预期分数之间的比较,实现了操作类考试评分的自动校验。
为了更好实施本申请实施例中操作类考试的评分校验方法,在操作类考试的评分校验方法基础之上,本申请实施例中还提供一种操作类考试的评分校验装置,如图5所示,操作类考试的评分校验装置500包括:
第一获取模块501,用于获取目标考生的操作类考试视频和评分;
第二获取模块502,用于获取操作类考试视频中的考生操作信息;
第一确定模块503,用于基于考生操作信息,确定目标考生的预期分数;
第二确定模块504,用于基于评分与预期分数之间的比较,确定评分的校验结果。
本申请实施例提供的操作类考试的评分校验装置,通过第一获取模块501获取目标考生的操作类考试视频和评分,第二获取模块502获取操作类考试视频中的考生操作信息,第一确定模块503基于考生操作信息,确定目标考生的预期分数,第二确定模块504基于评分与预期分数之间的比较,确定评分的校验结果。相较于传统方法,本申请实施例通通过从操作类考试视频中提取出考生操作信息,并给出相应的预期分数,基于预期分数来校验评分,实现了对于操作类考试的评分校验,以避免出现评分误差较大的情况。
在本申请的一些实施例中,第二获取模块502,具体用于:
对操作类考试视频中的目标考生进行三维建模,得到目标考生的三维模型;
获取三维模型在操作类考试视频中的多个动作信息,以及多个动作信息在操作类考试视频中的先后执行顺序;
基于多个动作信息、先后执行顺序,生成操作类考试视频中的考生操作信息。
在本申请的一些实施例中,第一确定模块503,具体用于:
获取操作类考试视频的预设标准操作信息;
确定考生操作信息与预设标准操作信息之间的操作匹配度;
基于操作匹配度,确定目标考生的预期分数。
在本申请的一些实施例中,第一确定模块503,具体用于:
将考生操作信息与预设标准操作信息输入至预设的操作匹配度模型中;
获取操作匹配度模型输出的操作匹配度。
在本申请的一些实施例中,第二确定模块504,具体用于:
确定评分与预期分数之间的差值;
在差值小于或等于预设阈值时,判定评分的校验结果为校验通过;
在差值大于预设阈值时,判定评分的校验结果为校验未通过。
在本申请的一些实施例中,第一确定模块503,具体用于:
获取操作类考试视频的打分人历史打出的多个历史评分;
基于多个历史评分的历史校验结果,确定打分人的评分校验通过率;
采用评分校验通过率,修正操作匹配度,得到目标考生的预期分数。
在本申请的一些实施例中,第一获取模块501,具体用于:
获取目标考生进行操作类考试时的多个角度的视频数据;
将多个角度的视频数据,作为目标考生的操作类考试视频。
除了上述介绍用于操作类考试的评分校验方法与装置之外,本申请实施例还提供一种电子设备,其集成了本申请实施例所提供的任一种操作类考试的评分校验装置,电子设备包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中一个或多个应用程序被存储于存储器中,并配置为由处理器执行上述操作类考试的评分校验方法实施例中任一实施例中的步骤。
本申请实施例还提供一种电子设备,其集成了本申请实施例所提供的任一种操作类考试的评分校验装置。如图6所示,其示出了本申请实施例所涉及的电子设备的结构示意图,具体来讲:
该电子设备可以包括一个或者一个以上处理核心的处理器601、一个或一个以上计算机可读存储介质的存储单元602、电源603和输入单元604等部件。本领域技术人员可以理解,图6中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器601是该电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储单元602内的软件程序和/或模块,以及调用存储在存储单元602的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。可选的,处理器601可包括一个或多个处理核心;优选的,处理器601可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器601中。
存储单元602可用于存储软件程序以及模块,处理器601通过运行存储在存储单元602的软件程序以及模块,从而执行各种功能应用以及数据处理。存储单元602可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储单元602可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储单元602还可以包括存储器控制器,以提供处理器601对存储单元602的访问。
电子设备还包括给各个部件供电的电源603,优选的,电源603可以通过电源管理***与处理器601逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。电源603还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入单元604,该输入单元604可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,电子设备还可以包括显示单元等,在此不再赘述。具体在本申请实施例中,电子设备中的处理器601会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储单元602中,并由处理器601来运行存储在存储单元602中的应用程序,从而实现各种功能,如下:
获取目标考生的操作类考试视频和评分;获取操作类考试视频中的考生操作信息;基于考生操作信息,确定目标考生的预期分数;基于评分与预期分数之间的比较,确定评分的校验结果。
本申请实施例提供的操作类考试的评分校验方法,通过从操作类考试视频中提取出考生操作信息,并给出相应的预期分数,基于预期分数来校验评分,实现了对于操作类考试的评分校验,以避免出现评分误差较大的情况。
为此,本申请实施例提供一种计算机可读存储介质,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random AccessMemory)、磁盘或光盘等。该计算机可读存储介质中存储有多条指令,该指令能够被处理器进行加载,以执行本申请实施例所提供的任一种操作类考试的评分校验方法中的步骤。例如,该指令可以执行如下步骤:
获取目标考生的操作类考试视频和评分;获取操作类考试视频中的考生操作信息;基于考生操作信息,确定目标考生的预期分数;基于评分与预期分数之间的比较,确定评分的校验结果。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
以上对本申请实施例所提供的一种操作类考试的评分校验方法、装置、电子设备及存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种操作类考试的评分校验方法,其特征在于,包括:
获取目标考生的操作类考试视频和评分;
获取所述操作类考试视频中的考生操作信息;
基于所述考生操作信息,确定所述目标考生的预期分数;
基于所述评分与所述预期分数之间的比较,确定所述评分的校验结果。
2.如权利要求1所述的操作类考试的评分校验方法,其特征在于,所述获取所述操作类考试视频中的考生操作信息,包括:
对所述操作类考试视频中的所述目标考生进行三维建模,得到所述目标考生的三维模型;
获取所述三维模型在所述操作类考试视频中的多个动作信息,以及多个动作信息在所述操作类考试视频中的先后执行顺序;
基于所述多个动作信息、所述先后执行顺序,生成所述操作类考试视频中的考生操作信息。
3.如权利要求1所述的操作类考试的评分校验方法,其特征在于,所述基于所述考生操作信息,确定所述目标考生的预期分数,包括:
获取所述操作类考试视频的预设标准操作信息;
确定所述考生操作信息与所述预设标准操作信息之间的操作匹配度;
基于所述操作匹配度,确定所述目标考生的预期分数。
4.如权利要求3所述的操作类考试的评分校验方法,其特征在于,所述确定所述考生操作信息与所述预设标准操作信息之间的操作匹配度,包括:
将所述考生操作信息与所述预设标准操作信息输入至预设的操作匹配度模型中;
获取所述操作匹配度模型输出的所述操作匹配度。
5.如权利要求3所述的操作类考试的评分校验方法,其特征在于,所述基于所述评分与所述预期分数之间的比较,确定所述评分的校验结果,包括:
确定所述评分与所述预期分数之间的差值;
在所述差值小于或等于预设阈值时,判定所述评分的校验结果为校验通过;
在所述差值大于所述预设阈值时,判定所述评分的校验结果为校验未通过。
6.如权利要求5所述的操作类考试的评分校验方法,其特征在于,所述基于所述操作匹配度,确定所述目标考生的预期分数,包括:
获取所述操作类考试视频的打分人历史打出的多个历史评分;
基于多个所述历史评分的历史校验结果,确定所述打分人的评分校验通过率;
采用所述评分校验通过率,修正所述操作匹配度,得到所述目标考生的预期分数。
7.如权利要求1所述的操作类考试的评分校验方法,其特征在于,所述获取目标考生的操作类考试视频,包括:
获取所述目标考生进行操作类考试时的多个角度的视频数据;
将所述多个角度的视频数据,作为所述目标考生的操作类考试视频。
8.一种操作类考试的评分校验装置,其特征在于,包括:
第一获取模块,用于获取目标考生的操作类考试视频和评分;
第二获取模块,用于获取所述操作类考试视频中的考生操作信息;
第一确定模块,用于基于所述考生操作信息,确定所述目标考生的预期分数;
第二确定模块,用于基于所述评分与所述预期分数之间的比较,确定所述评分的校验结果。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的操作类考试的评分校验方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的操作类考试的评分校验方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310487992.4A CN116704401A (zh) | 2023-04-24 | 2023-04-24 | 操作类考试的评分校验方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310487992.4A CN116704401A (zh) | 2023-04-24 | 2023-04-24 | 操作类考试的评分校验方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116704401A true CN116704401A (zh) | 2023-09-05 |
Family
ID=87830167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310487992.4A Pending CN116704401A (zh) | 2023-04-24 | 2023-04-24 | 操作类考试的评分校验方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116704401A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117241097A (zh) * | 2023-09-15 | 2023-12-15 | 杭州亦闲信息科技有限公司 | 一种线下录制视频评分方法、设备、***以及存储介质 |
-
2023
- 2023-04-24 CN CN202310487992.4A patent/CN116704401A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117241097A (zh) * | 2023-09-15 | 2023-12-15 | 杭州亦闲信息科技有限公司 | 一种线下录制视频评分方法、设备、***以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709409B (zh) | 人脸活体检测方法、装置、设备及介质 | |
CN109432753B (zh) | 动作矫正方法、装置、存储介质及电子设备 | |
CN110909693B (zh) | 3d人脸活体检测方法、装置、计算机设备及存储介质 | |
CN110074813B (zh) | 一种超声图像重建方法及*** | |
CN109799073B (zh) | 一种光学畸变测量装置及方法、图像处理***、电子设备和显示设备 | |
JP2021531601A (ja) | ニューラルネットワーク訓練、視線検出方法及び装置並びに電子機器 | |
CN114120432A (zh) | 基于视线估计的在线学习注意力跟踪方法及其应用 | |
WO2022156061A1 (zh) | 一种图像模型训练方法、装置及电子设备、存储介质 | |
CN116704401A (zh) | 操作类考试的评分校验方法、装置、电子设备及存储介质 | |
EP4053736A1 (en) | System and method for matching a test frame sequence with a reference frame sequence | |
US20220392246A1 (en) | Posture evaluating apparatus, method and system | |
CN111589138B (zh) | 动作预测方法、装置、设备及存储介质 | |
CN113252701A (zh) | 基于云边协同的输电线路绝缘子自爆缺陷检测***及方法 | |
CN112861809B (zh) | 基于多目标视频分析的课堂抬头检测***及其工作方法 | |
CN110717441B (zh) | 视频目标检测方法、装置、设备及介质 | |
EP4318314A1 (en) | Image acquisition model training method and apparatus, image detection method and apparatus, and device | |
CN116597246A (zh) | 模型训练方法、目标检测方法、电子设备及存储介质 | |
CN114913086B (zh) | 基于生成对抗网络的人脸图像质量增强方法 | |
CN116502798A (zh) | 主观题评分的校验方法、装置、电子设备及存储介质 | |
CN115019396A (zh) | 一种学习状态监测方法、装置、设备及介质 | |
CN117252914A (zh) | 深度估计网络的训练方法、装置、电子设备及存储介质 | |
CN113642425A (zh) | 基于多模态的图像检测方法、装置、电子设备及存储介质 | |
CN112633113B (zh) | 跨摄像头的人脸活体检测方法及*** | |
CN116309538B (zh) | 绘图考试评定方法、装置、计算机设备及存储介质 | |
CN112598728A (zh) | 投影仪姿态估计、梯形校正方法、装置、投影仪及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |