[논문]온라인 퀴즈 시스템의 문제은행 구축 자동화를 위한 Deep Quiz Cropping 기술 개발

정대욱; 정문호

doi:10.13067/jkiecs.2020.15.6.1187

[국내논문] 온라인 퀴즈 시스템의 문제은행 구축 자동화를 위한 Deep Quiz Cropping 기술 개발
Deep Quiz Cropping for Construction of Quiz Pool in Online Quiz System 원문보기

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.15 no.6, 2020년, pp.1187 - 1194

정대욱 (광운대학교 로봇학과) , 정문호 (광운대학교 로봇학과)

초록
AI-Helper

본 논문은 온라인 퀴즈 시스템에서 핵심인 문제은행 구축 자동화를 위한 Deep Quiz Cropping 기법을 제시했다. 이것은 문제지를 스캔한 그림 파일에서 개별문제에 대한 질의영역과 선다영역을 딥러닝 기반 검출기를 통해 검출하는 것과, 문제생성을 위해 질의영역과 선다영역을 짝지우고 영역오류를 수정하는 Box Coupling으로 이루어졌다. 문제지 및 시험지를 스캔한 영상파일에 Deep Quiz Coupling 기법을 적용한 다수의 실험에서 질의영역과 선다영역을 검출하는데 있어서 성공적인 결과를 도출했다.

Abstract ▼ AI-Helper

We presented a method of deep quiz cropping for automatic construction of quiz pool in online quiz systems. The method detects question boxes and sunda boxes in images captured from test papers by a deep learning-based object detector, and makes pairs of question box and sunda box by the box couplin...

Keyword

표/그림 (13)

표 표 1. 온라인 테스트 시스템 구성 Table 1. The flow of online test system
그림 그림 1. 선다형 문제 Fig. 1 Selection type
그림 그림 2. 단답형 문제 Fig. 2 Short answer type
그림 그림 3. RetinaNet 구성도 Fig. 3 RetinaNet network
그림 그림 4. 이진화영상에서 영상확장 Fig. 4 Image dialation of binary image
표 표 2. 영역 검출결과의 문제점 Table 2. Problems of box detection
그림 그림 5. 선다항목 구분 Fig. 5 Separation of sunda items
그림 그림 6. 학습 손실 Fig. 6 Train loss
그림 그림7. Validation Loss Fig. 7 Validation loss
그림 그림 8. 평균 정확도 Fig. 8 Average precision
그림 그림 9. RetinaNet 기반 검출 결과 Fig. 9 RetinaNet-based Detection results
그림 그림 10. 문제영역의 검출 오류 Fig. 10 Detection errors
그림 그림 11. Box Coupling 적용 결과 Fig. 11 Box coupling results

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 이러한 문제점 및 필요성에 대처하기 위해 Deep Quiz Cropping 기술을 개발했다. 여기에는 세 가지의 기술요소를 포함하는데, 첫째는 딥러닝 기반의 RetinaNet Network Model[4, 5]을 활용하여 스캔 된 그림 파일에서 각 문제의 질의영역과 선다영역을 Box 형태로 검출[6]하는 것이다.
Ⅲ장에서는 RetinaNet의 학습과 Box Coupling으로 구성되는 Deep Quiz Cropping 기법을 제시한다. 그리고, 영상처리 기법을 활용한 선다영역의 항목 분리에 대해 다룬다. 그리고 Deep Quiz Cropping을 적용한 실험결과를 Ⅳ장에서 보여주고 Ⅴ장에서 결론과 향후 연구방향을 제시한다.
만약 한 학생에게 동일한 문제가 재출제 될 경우, 문제풀이를 위한 행위를 하지 않고 정답이나 오지선다 배치를 기억하여 정답을 제출하는 경향이 생길 수 있다. 본 절에서는 선다영역에서 각 선다항목의 구분 정보를 생성하여 이러한 문제점을 해결하는 방법을 제시한다. 우선 선다영역에서 텍스트 부분을 전경으로 하는 Ostu의 영상 이진화를 적용하고[10] 영상 확장(Image dilation)을 하여 픽셀의 연결성을 강화한다(그림 4).
본 논문은 온라인 퀴즈 시스템 구축 시 가장 핵심인 문제은행 구축 자동화를 위한 Deep Quiz Coupling 기법을 제시했다. 이것은 문제지의 스캔된그림 파일에서 개별문제에 대한 질문영역과 선다영역을 딥러닝 기반 검출기를 통해 검출하는 것과, 문제생성을 위해 질문영역과 선다영역을 짝지우고 영역오류를 수정하는 Box Coupling으로 이루어졌다.

제안 방법

여기에는 세 가지의 기술요소를 포함하는데, 첫째는 딥러닝 기반의 RetinaNet Network Model[4, 5]을 활용하여 스캔 된 그림 파일에서 각 문제의 질의영역과 선다영역을 Box 형태로 검출[6]하는 것이다. 둘째는 Box Coupling 기술로서 각각 독립적으로 검출된 질의영역과 선다영역을 짝지우고 각 영역의 위치 및 크기의 오류를 수정하는 것이다.
본 연구에서 제안하는 Box Couplinge 선다형 문제와 단답형 문제의 분류, 두 영역의 짝짓기, 각 영역의 오류 수정을 수행한다. 이를 위한 여섯 가지의 Box Coupling Operation을 다음과 같이 정의한다.
기법을 제시했다. 이것은 문제지의 스캔된그림 파일에서 개별문제에 대한 질문영역과 선다영역을 딥러닝 기반 검출기를 통해 검출하는 것과, 문제생성을 위해 질문영역과 선다영역을 짝지우고 영역오류를 수정하는 Box Coupling으로 이루어졌다.
문제지 및 시험지를 스캔한 영상파일에 Deep Quiz Coupling 기법을 적용한 다수의 실험을 실시했다. 질의영역과 선다영역을 검출하는데 있어서 만족할 만한 결과를 얻었다.

대상 데이터

230개의 영상에서 데이터 증산으로 963개의 Traning Dataset와 104개의 Validation Dataset을 만들었다. 각 영역별 AP(Average Pression)는 80개의 Test Dataset으로 계산되었다.
230개의 영상에서 데이터 증산으로 963개의 Traning Dataset와 104개의 Validation Dataset을 만들었다. 각 영역별 AP(Average Pression)는 80개의 Test Dataset으로 계산되었다.

후속연구

그리고, 영상처리 기법을 활용한 선다영역의 항목 분리에 대해 다룬다. 그리고 Deep Quiz Cropping을 적용한 실험결과를 Ⅳ장에서 보여주고 Ⅴ장에서 결론과 향후 연구방향을 제시한다.
질의영역과 선다영역을 검출하는데 있어서 만족할 만한 결과를 얻었다. 그러나 질의영역에 비해 선다영역의 Average Precision이 낮게 나온 것은 향후 개선해야 할 부분이다. 그리고 선다영역의 항목별 분리는 중요한 요소이나, 본 연구에서 적용한 고전적인 영상처리기법은 그 결과를 볼 때 한계를 가진다.
그러나 질의영역에 비해 선다영역의 Average Precision이 낮게 나온 것은 향후 개선해야 할 부분이다. 그리고 선다영역의 항목별 분리는 중요한 요소이나, 본 연구에서 적용한 고전적인 영상처리기법은 그 결과를 볼 때 한계를 가진다. 즉, Box Coupling과 선다 항목분리는 딥러닝 기반 검출기 적용 후의 후처리 과정에 해당된다고 볼 수 있는데, 이 부분에서 개선이 필요하다는 것이다.

참고문헌 (11)

B. Han and J. Gu, "The Design and implementation of On-Line Quiz Game Learning System for Learning Motivation," Journal of the Korea Computer Industry Society, vol. 4, no. 12, 2003, pp. 911 - 922.
D. Hong and H. Kim, "Web-based online evaluation system for essay question," Journal of The korean Association Of Information Education, vol. 8, no. 2, 2004 , pp. 251-260.
B. Kim, "Design of Flipped Learning using Blog," The Journal of The Korea Institute of Electronic Communication Sciences, vol. 13, no. 2, 2018, pp. 391 - 396.

원문보기 상세보기
T. Lin, P. Dollar, R. Girshick, K. He, B. Hariharan, and S. Belongie, "Feature Pyramid Networks for Object Detection", CVPR, 2017.
T. Lin, P. Goyal, R. Girshick, K. He, and P. Dollar, "Focal Loss for Dense Object Detection", ICCV, 2017.
N. Lee, H. Jeong, and H. Jo, "Development of Image Defect Detection Model Using Machine Learning," The Journal of The Korea Institute of Electronic Communication Sciences, vol. 15, no. 3, 2020, pp. 513 - 520.

원문보기 상세보기
J. Lee, S. Lee, D. Kim, S. Hong, and S. Yang, "Trends on Object Detection Techniques Based on Deep Learning," Electronics and telecommunications trends, vol. 33, no. 4, 2018, pp. 23 - 32.

원문보기 상세보기
S. Ren, K. He, R. Girshick, and J. Sun, "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks," IEEE Trans. Pattern Anal. Mach. Intel., vol. 39, no. 6, 2017, pp. 1137-1149.

상세보기
W. Lee and M. Shin, "A Driver's Condition Warning System using Eye Aspect Ratio," The Journal of The Korea Institute of Electronic Communication Sciences, vol. 15, no. 2, 2020, pp. 349 - 356.

원문보기 상세보기
N. Otsu, "A Threshold Selection Method from Gray-level Histograms," IEEE Trans. Sys. Man. Cyber. vol. 9, no. 1, 1979, pp. 62-66.

상세보기
G. Ritter and J. Wilson, Handbook of Computer Vision Algorithms in Image Algebra 2 nd edition., CRC Press, sec. 6.3, 2001

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증