https://mp.weixin.qq.com/s/nR8TeluLHlea8MGa6qBljg

By 超神经

场景描述：从古至今，有考试的地方就有作弊，作弊方法可谓是五花八门，妖魔鬼怪各显神通。尽管有法律约束与层层安检搜查把关，却依然难防漏网之鱼。近年来，利用计算机视觉、神经网络等技术，可以更加精准地抓取作弊行为，让考场更加公平。

关键词：计算机视觉 人工智能监考 反作弊

不知不觉，又到了一年的高考季。明天全国高考就将拉开大幕，千万名考生将迎来一次大的考验。

尽管高考总是存在槽点，但对大多数人来说，它还是一场相对公平的比赛。不过想要维护考试的完全公平，并不是那么容易。

今年又是高考的大年 ，报名人数在 2009 年之后，首次超过 1000 万。面对巨大的考生群体，各个环节的合理部署至关重要，而这其中，做好防作弊工作将是重要的一环。

因为选拔考试的重要性，总有一些人不惜冒着犯法的风险，动出歪念头来。因此，作弊这个顽疾，自古至今都让考官操碎了心，却依然难以根除。

作弊与反作弊的斗智斗勇

自从隋朝有了科举，作弊现象很快就出现了，五花八门的作弊手段也纷纷亮相。到了明清时期，作弊方法更是数目繁多，达到了顶峰。

纵览科举中的作弊手段，大体上可归为三大类：夹带、请托和替考。

博物馆中展览的纸夹带和丝质夹带

夹带就是我们今天所说的打小抄；而请托和替考，则是贿赂考官泄露考题，在阅卷放水，或者花重金请枪手代考。

夹带是最常用的一种作弊方式。常见的手法除了衣物夹带，还有极其袖珍的小书。

古代科举考试中的小抄，文字大小接近米粒

乾隆年间，还诞生了一种更高明的手段——米雕：考生在米粒上雕刻文字带进考场。

为了打击作弊，古代朝廷也见招拆招，费尽了心思。

从唐代起就有了严格的科场纪律。比如糊名考试与誊录的制度，杜绝了请托关照。而据《金史》记载，为了防止夹带，会在考前对考生「解发袒衣，索及耳鼻」，仔细搜身一番。

清代科举考试用来作弊的夹带鞋

而乾隆帝为了严惩夹带之弊，曾下旨让步军统领，五城御史进行彻底搜查。但严整之后不久，又出了新的作弊之风。

长达 1300 年的科举制度，最终在 1905 年被废止，但是考场作弊行为却一直持续至今，手段也越来越「巧妙」。

2017 年上映的泰国电影《天才枪手》，里面就有谍战一般的大型作弊场面。它是根据 2014 年轰动一时的 SAT 亚洲考场作弊案改编，令人咋舌。

如今，高科技也被利用来作弊，比如隐蔽式耳机，带有微型摄像头的眼镜，利用无线通讯设备接收答案……

微型耳机，有的考生考试结束后不幸地取不出耳机 只好去医院就医

为了严防作弊，法律上也有了更加严格的管束，而且防作弊的举措也越来越多。尤其是近两年，人工智能技术也加入了防作弊阵营，开始在考场上「维护正义」。

人工智能当监考官

以 DST （dynamic simulation technique）动态模拟技术起家的ATA（全美在线），利用人工智能和大数据技术，帮助维护考场的纪律。

他们通过历史上数以万计的考场视频，对考生的动作进行分析，从而检测出异常行为。

智能监考机器人对考场内人和物的识别与标注

另外，借助深度学习算法的计算机视觉感知技术，他们的方案，覆盖了考场视频监控的全感知前端、计算大脑、展示分析后端，建立起了智能考场的 AI 感知分析体系。

系统通过深度学习算法等技术，能实现实时跟踪，分析出考场异常行为。通过对考生动作的骨骼行为分析，对违纪行为进行提示和报警。

而一旦发现大动作、使用手机、离开座位等行为，系统就会发出警告。相应的视频也会被上传至云端，作为电子证据。

系统对动作异常的考生进行提示和警报（红框所示）

此外，ATA 还利用考场智能建模，场景语义识别技术，对考场座位进行语义分割，自动绘制考场二维平面图。

二维平面图与实际场景一一对应，实时显示考生入座、离座的情况，以及全考场行为热力图，方便老师掌握考场整体动态，监考不再有死角，减轻了监考老师的负担。

这套智能监考系统，已经被用于 2018 年的注册会计师考试中。

神经网络与大数据查抄袭

除了对作弊行为的监测和控制，还有一个方法是从答卷中检测抄袭。

丹麦哥本哈根大学的研究人员在进行一项此类研究，通过人工智能的书面分析来检测作业上的作弊行为，这个项目名为 Ghostwriter（枪手）。

他们通过对 10,000 名高中学生的 130,000 份丹麦语书面作业，进行文本分析，训练出了检测模型，能够以近 90％ 的准确率，判断出作业是本人书写还是抄袭得来的。

项目研究者 Stephan Lorenzen 博士说到，Ghostwriter 是围绕机器学习和神经网络构建的。它使用了「Siamese」神经网络，能够分析语法错误，句子长度及其结构，常用短语等模式。

团队使用不同的输入通道，考虑几种不同的体系结构 （例如，char，word，POS-tags） 最终确定了一种最佳的网络架构

团队对神经网络进行大量数据训练，主要从写作风格的表示中学习，进行判定比较。

当学生提交作业时，网络会将其与之前的作业进行比较。对比之后，会给出新作业与旧作业书写样式的相似性百分比。

给出的分数，通过加权平均，作为一项计算因素。此外还综合考虑如提交时间等因素，最终会给出一个得分，以百分比表示出风格的相似性，判断是否涉嫌作弊。

Ghostwriter 还可用于警察分析伪造文件、法医文件审查等其他工作中。

跟作弊说再见

考试中的作弊行为令人不耻，但总有投机分子想要通过捷径得到利益。为了让考试更加的公平，通过 AI 防作弊工具的使用，能够减轻监考方面的人力成本，并有效检测出作弊行为。

当然，在防作弊的路上，也并不是为了炫技，借助技术防作弊更主要的目的，是希望从根本上杜绝作弊行为，让考生放弃作弊的念头。

如果把研究作弊手段的心思用在学习上，大概也就不需要作弊了吧。

祝愿每一位考生都有一个公平的考场环境，能够充分发挥出自己的水平，取得理想成绩。

超神经数据集

UMD Faces 面部数据集

UMD Faces 数据集是一个面部数据集，主要用于身份鉴定研究。

它有 8501 个主题的 367，920 个面孔，分为两部分：367,888 个静止图像和对 8,277 个主题视频的注释。视频帧来自 3100 个主题视频的超过 370 万个带注释的视频。

该数据集于 2016 年由发布，主要发布人为 Ankan Bansal，Anirudh Nanduri，Carlos D Castillo，Rajeev Ranjan 和 Rama Chellappa。

相关论文为 UMDFaces: An Annotated Face Dataset for Training Deep Networks；The Do’s and Don’ts for CNN-based Face Verification。

HyperAI 超神经搜集并整理全球数百个公开数据集，还提供国内镜像下载，对科研机构和开发者们提供免费服务。

更多有关影视图像识别的数据集，请访问 https://hyper.ai/datasets 或点击阅读原文获取。