CN114241043A - 题目类别检测方法、训练方法、装置、电子设备和介质 - Google Patents
题目类别检测方法、训练方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN114241043A CN114241043A CN202210165827.2A CN202210165827A CN114241043A CN 114241043 A CN114241043 A CN 114241043A CN 202210165827 A CN202210165827 A CN 202210165827A CN 114241043 A CN114241043 A CN 114241043A
- Authority
- CN
- China
- Prior art keywords
- correction
- target
- topic
- information
- training
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及图像处理技术领域,尤其涉及一种题目类别检测方法、训练方法、装置、电子设备和介质,该方法包括:本公开实施例提供的技术方案中,通过获取批改题目图像,批改题目图像中包括多个批改题目,以及多个批改信息;确定多个批改题目在批改题目图像中的多个第一坐标位置,以及确定目标批改信息在批改题目图像中的第二坐标位置,目标批改信息为多个批改信息中目标批改类别的批改信息;计算第二坐标位置与所述多个第一坐标位置匹配的多个概率值;从多个第一坐标位置中,确定最大概率值对应的目标坐标位置,最大概率值为多个概率值中的最大值;确定目标坐标位置对应的目标批改题目为目标批改类别,采用该方法有效的提高目标批改题目检测的效率。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种题目类别检测方法、训练方法、装置、电子设备和介质。
背景技术
在目前的教育场景中,需要对学生在学习过程中做错的题目进行总结以及分析,整理与错题相关的知识点信息,以便使学生能够及时针对错题进行复习、对自身存在的知识漏洞进行修正完善,提高学习成绩。
但是,现有技术中,老师以及学生通过对做错的题目人工进行识别、收集错题,并进行总结分析,整理与错题相关的知识点信息,以使学生在后续复习过程中,根据以往做错的题目以及相关知识点针对的进行学习。
然而,由于学生的题量较大,错题也较多,通过人工识别、分析的方式,存在效率较低的问题。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开实施例提供了一种题目类别检测方法、训练方法、装置、电子设备和介质。
第一方面,本公开提供了一种题目类别检测方法,所述方法包括:
获取批改题目图像,所述批改题目图像中包括多个批改题目,以及多个批改信息;
确定所述多个批改题目在所述批改题目图像中的多个第一坐标位置,以及确定目标批改信息在所述批改题目图像中的第二坐标位置,所述目标批改信息为所述多个批改信息中目标批改类别的批改信息;
计算所述第二坐标位置与所述多个第一坐标位置匹配的多个概率值;
从所述多个第一坐标位置中,确定最大概率值对应的目标坐标位置,所述最大概率值为所述多个概率值中的最大值;
确定所述目标坐标位置对应的目标批改题目为所述目标批改类别;
其中,所述目标批改类别包括:正确题目以及错误题目。
可选的,所述确定所述多个批改题目在所述批改题目图像中的多个第一坐标位置,包括:
将所述批改题目图像输入题目位置检测模型;
获取所述题目位置检测模型输出的,多个批改题目对应的所述多个第一坐标位置。
可选的,所述确定目标批改信息在所述批改题目图像中的第二坐标位置,包括:
将所述批改题目图像输入批改位置检测模型;
以使得所述批改位置检测模型,从所述多个批改信息中确定目标批改信息,以及确定所述目标批改信息在所述批改题目图像中的所述第二坐标位置,所述目标批改信息为所述目标批改类别的批改信息。
可选的,所述计算所述第二坐标位置与所述多个第一坐标位置匹配的多个概率值,包括:
根据所述批改题目图像获取特征映射图,所述特征映射图用于指示所述批改题目图像对应的全局特征信息;
根据所述多个第一坐标位置和所述特征映射图计算得到多个第一特征向量,所述第一特征向量用于指示所述批改题目对应的第一节点特征信息;
根据所述第二坐标位置和所述特征映射图计算得到第二特征向量,所述第二特征向量用于指示所述批改信息对应的第二节点特征信息;
将所述多个第一特征向量,以及所述第二特征向量输入至目标批改匹配模型;
获取所述目标批改匹配模型输出的所述多个概率值。
可选的,所述从所述多个第一坐标位置中,确定最大概率值对应的目标坐标位置,包括:
从所述多个概率值中确定大于预设概率值的至少一个概率值;
从所述多个第一坐标位置中,确定最大概率值对应的目标坐标位置,其中,所述最大概率值具体为所述至少一个概率值中的最大值。
可选的,所述确定所述目标坐标位置对应的目标批改题目为所述目标批改类别之后,还包括:
根据所述目标坐标位置,从所述批改题目图像中识别所述目标批改题目的题目内容;
确定与所述题目内容匹配的相关信息,所述相关信息包括以下至少一项:
答案信息、知识点信息、相关教材信息;
将所述相关信息发送至目标可穿戴设备,所述目标可穿戴设备为所述批改题目图像所关联用户注册的可穿戴设备。
第二方面,本公开提供了一种题目位置检测模型训练方法,所述方法包括:
获取第一训练样本集,所述第一训练样本集包括至少一个第一样本,每个所述第一样本包括批改题目图像,以及所述批改题目图像中每个批改题目对应的第三坐标位置;
将所述第一训练样本集输入初始题目位置检测模型中,对所述初始题目位置检测模型进行训练,得到题目位置检测模型。
第三方面,本公开提供了一种批改位置检测模型训练方法,所述方法包括:
获取第二训练样本集,所述第二训练样本集包括至少一个第二样本,每个所述第二样本包括批改题目图像,以及所述批改题目图像中每个目标批改信息对应的第四坐标位置;
将所述第二训练样本集输入初始批改位置检测模型中,对所述初始批改位置检测模型进行训练,得到批改位置检测模型。
第四方面,本公开提供了一种批改匹配模型训练方法,所述方法包括:
获取正样本和负样本;其中,所述正样本中包括目标批改类别的多组第一向量对,每组第一向量对中包括第一特征向量,以及与所述第一特征向量匹配的第二特征向量,所述第一特征向量用于指示批改题目对应的第一节点特征信息,所述第二特征向量用于指示与所述批改题目匹配的批改信息对应的第二节点特征信息;所述负样本中包括所述目标批改类别的多组第二向量对,每组第二向量对中包括:第三特征向量,以及与所述第三特征向量不匹配的第四特征向量,所述第三特征向量用于指示所述批改题目对应的第一节点特征信息,所述第四特征向量用于指示与所述批改题目不匹配的所述批改信息对应的第二节点特征信息;
将所述正样本和所述负样本输入初始批改匹配模型,对所述初始批改匹配模型进行训练,以得到目标批改匹配模型。
第五方面,本公开提供了一种题目类别检测装置,所述装置包括:
获取模块,用于获取批改题目图像,所述批改题目图像中包括多个批改题目,以及多个批改信息;
坐标位置确定模块,用于确定所述多个批改题目在所述批改题目图像中的多个第一坐标位置,以及确定目标批改信息在所述批改题目图像中的第二坐标位置,所述目标批改信息为所述多个批改信息中目标批改类别的批改信息;
计算模块,用于计算所述第二坐标位置与所述多个第一坐标位置匹配的多个概率值;
目标坐标位置确定模块,用于从所述多个第一坐标位置中,确定最大概率值对应的目标坐标位置,所述最大概率值为所述多个概率值中的最大值;
目标批改类别确定模块,用于确定所述目标坐标位置对应的目标批改题目为所述目标批改类别;
第六方面,本公开提供了一种题目位置检测模型训练装置,所述装置包括:
第一训练样本集获取模块,用于获取第一训练样本集,所述第一训练样本集包括至少一个第一样本,每个所述第一样本包括批改题目图像,以及所述批改题目图像中每个批改题目对应的第三坐标位置;
题目位置检测模型训练模块,用于将所述第一训练样本集输入初始题目位置检测模型中,对所述初始题目位置检测模型进行训练,得到题目位置检测模型。
第七方面,本公开提供了一种批改位置检测模型训练装置,所述装置包括:
第二训练样本集获取模块,用于获取第二训练样本集,所述第二训练样本集包括至少一个第二样本,每个所述第二样本包括批改题目图像,以及所述批改题目图像中每个目标批改信息对应的第四坐标位置;
批改位置检测模型训练模块,用于将所述第二训练样本集输入初始批改位置检测模型中,对所述初始批改位置检测模型进行训练,得到批改位置检测模型。
第八方面,本公开提供了一种批改匹配模型训练装置,所述装置包括:
第三获取模块,用于获取正样本和负样本;其中,所述正样本中包括目标批改类别的多组第一向量对,每组第一向量对中包括第一特征向量,以及与所述第一特征向量匹配的第二特征向量,所述第一特征向量用于指示批改题目对应的第一节点特征信息,所述第二特征向量用于指示与所述批改题目匹配的批改信息对应的第二节点特征信息;所述负样本中包括所述目标批改类别的多组第二向量对,每组第二向量对中包括:第三特征向量,以及与所述第三特征向量不匹配的第四特征向量,所述第三特征向量用于指示所述批改题目对应的第一节点特征信息,所述第四特征向量用于指示与所述批改题目不匹配的所述批改信息对应的第二节点特征信息;
目标批改匹配模型训练模块,用于将所述正样本和所述负样本输入初始批改匹配模型,对所述初始批改匹配模型进行训练,以得到目标批改匹配模型。
第九方面,本公开提供了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本实施例中的任一种所述的题目类别检测方法,或者实现本实施例中的任一种所述的训练方法。
第十方面,本公开提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本实施例中的任一种所述的题目类别检测方法,或者实现本实施例中的任一种所述的训练方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点:
本公开实施例提供的技术方案中,通过获取批改题目图像中多个批改题目分别对应的第一坐标位置以及目标批改信息对应的第二坐标位置,计算第二坐标位置与多个第一坐标位置的概率值,并确定最大概率值对应的第一坐标位置为目标坐标位置,以此确定属于目标批改类别的目标批改题目,避免依赖人工对目标批改题目进行识别,通过自动识别目标批改题目,节省大量时间,有效的提高目标批改题目检测的效率。
附图说明
图1为本公开实施例提供的一种题目类别检测方法的流程示意图;
图2为本公开实施例提供的另一种题目类别检测方法的流程示意图;
图3为本公开实施例提供的再一种题目类别检测方法的流程示意图;
图4为本公开实施例提供的又一种题目类别检测方法的流程示意图;
图5为本公开实施例提供的一种题目位置检测模型训练方法的流程示意图;
图6为本公开实施例提供的一种批改位置检测模型训练方法的流程示意图;
图7为本公开实施例提供的一种批改匹配模型训练方法的流程示意图;
图8为本公开实施例提供的一种智能题目类别检测装置的结构示意图;
图9为本公开实施例提供的一种题目位置检测模型训练装置的结构示意图;
图10为本公开实施例提供的一种批改位置检测模型训练装置的结构示意图;
图11为本公开实施例提供的一种批改匹配模型训练装置的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
图1为本公开实施例提供的一种题目类别检测方法的流程示意图,如图1所示,具体包括:
S00,获取批改题目图像。
其中,批改题目图像中包括多个批改题目,以及多个批改信息。批改题目图像为用户拍摄已经批改完成的包含多道批改题目的试卷或者作业,以得到图像。
批改信息是指对多道题目进行批改的批改痕迹信息,批改信息至少包括批改符号、加减得分等,根据批改信息判定题目为正确题目类别,或者是错误题目类别,例如针对试卷或者是作业上的多个题目进行批改,根据题目对应的批改信息对号,判定该题目为正确题目类别,或者是该题目对应的批改信息为错号,判定题目为错误题目类别,但不限于此,本公开不具体限制。
S10,确定多个批改题目在批改题目图像中的多个第一坐标位置,以及确定目标批改信息在批改题目图像中的第二坐标位置。
其中,目标批改信息为多个批改信息中目标批改类别的批改信息;目标批改类别是根据已经完成批改的题目确定的,例如被用户判定为正确的正确题目类别,或者是被用户判定为错误的错误题目类别,目标批改信息即为正确题目类别对应的批改信息如对号,或者是目标批改信息即为错误题目类别对应的批改信息如错号,但不限于此,本公开不具体限制。
具体的,终端设备如手机拍摄已经批改、且包含多个题目的作业或者试卷以获得批改题目图像,在该批改题目图像中确定多个被批改题目分别对应的第一坐标位置,以及在该批改图像中确定目标批改信息对应的第二坐标位置。
上述获取批改题目图像的方式还可以是从数据库中直接获取存储的批改题目图像,但不限于此,本公开不具体限制。
在上述实施例的基础上,在本公开的一些实施例中,如图2所示,确定多个批改题目在批改题目图像中的多个第一坐标位置,以及确定目标批改信息在批改题目图像中的第二坐标位置,一种实现方式可以为:
S101,将批改题目图像输入题目位置检测模型。
其中,题目位置检测模型是用来检测批改题目图像中包含的多道题目分别对应的坐标位置,示例性的,该题目位置检测模型例如可以是YOLOv5网络模型,通过基于大量的批改题目图像以及批改题目图像中包括的多个题目对应的坐标位置信息训练得到的,本公开对具体的题目位置检测模型不做限制,本领域技术人员可根据实际情况设置。
S102,获取题目位置检测模型输出的,多个批改题目对应的多个第一坐标位置。
具体的,终端设备如手机在获取到批改题目图像后,将该批改题目图像输入至已经训练好的题目位置检测模型中,题目位置检测模型识别批改题目图像包含的多个批改题目分别对应的第一坐标位置。
需要说明的是,利用题目位置检测模型获取多个批改题目对应的多个第一坐标位置时,获取每个批改题目在批改题目图像中对应的坐标位置信息,基于每个批改题目在批改题目图像中对应区域的坐标位置信息,将每个批改题目进行框选标记,以此确定批改题目在批改题目图像中的位置,还可以是基于每个批改题目对应的坐标位置信息,将每个批改题目进行突出显示标记,但不限于此,本公开不具体限制。
S103,将批改题目图像输入批改位置检测模型。
其中,批改位置检测模型是用来检测批改题目图像中包含的批改信息分别对应的坐标位置,示例性的,该批改位置检测模型例如可以是YOLOv5网络模型,通过基于大量的批改题目图像以及批改题目图像中包括的多个批改信息对应的坐标位置训练得到的,本公开对具体的批改位置检测模型不做限制,本领域技术人员可根据实际情况设置。
S104,以使得批改位置检测模型,从多个批改信息中确定目标批改信息,以及确定目标批改信息在批改题目图像中的第二坐标位置。
其中,目标批改信息为目标批改类别的批改信息。
具体的,终端设备如手机在获取到批改题目图像后,将该批改题目图像输入至已经训练好的批改位置检测模型中,批改位置检测模型在多个批改信息中识别出目标批改信息,并检测出目标批改信息在批改题目图像中的第二坐标位置。
示例性的,上述批改信息例如包括:对号、错号、半对半错、加分以及减分等,目标批改信息确定为:错号、半对半错、以及减分,终端设备如手机获取批改试卷对应的批改题目图像后,将该批改题目图像输入至已经训练好的批改位置检测模型中,批改位置检测模型在对号、错号、半对半错、加分以及减分等批改信息中识别出目标批改信息如错号、半对半错、以及减分,并检测出目标批改信息在批改题目图像中分别对应的第二坐标位置。
S20,计算第二坐标位置与多个第一坐标位置匹配的多个概率值。
其中,概率值是指批改题目对应的第一坐标位置与目标批改信息对应的第二坐标位置是否匹配的概率,匹配是指该目标批改信息是否为该批改题目对应的正确的批改信息。
具体的,通过题目位置检测模型以及批改位置检测模型,确定批改题目图像中多个批改题目分别对应的第一坐标位置,以及目标批改信息对应的第二坐标位置之后,根据该多个第一坐标位置,以及第二坐标位置,计算第二坐标位置与每个第一坐标位置匹配的概率值,
S30,从多个第一坐标位置中,确定最大概率值对应的目标坐标位置。
其中,最大概率值为多个概率值中的最大值;
S40,确定目标坐标位置对应的目标批改题目为目标批改类别。
其中,目标批改类别包括:正确题目以及半错误题目,但不限于此,本公开不具体限制,本领域人员可根据实际情况具体设置。
具体的,基于第二坐标位置与多个第一坐标位置,计算得到第二坐标位置与多个第一坐标位置匹配分别对应的概率值,基于多个概率值,选取最大概率值对应的第一坐标位置为目标坐标位置,且根据得到的目标坐标位置在批改题目图像中确定对应的目标批改题目,该目标批改题目属于目标批改类别。
本公开实施例提供的技术方案中,通过获取批改题目图像中多个批改题目分别对应的第一坐标位置以及目标批改信息对应的第二坐标位置,计算第二坐标位置与多个第一坐标位置的概率值,并确定最大概率值对应的第一坐标位置为目标坐标位置,以此确定属于目标批改类别的目标批改题目,避免依赖人工对目标批改题目进行识别,通过自动识别目标批改题目,节省大量时间,有效的提高了目标批改题目检测的效率。
图3为本公开实施例提供的再一种题目类别检测方法的流程示意图,图3是在图2所示实施例的基础上,进一步地,计算第二坐标位置与多个第一坐标位置匹配的多个概率值,如图3所示,一种可以实现的方式为:
S201,根据批改题目图像获取特征映射图。
其中,特征映射图用于指示批改题目图像对应的全局特征信息。该特征映射图是基于神经网络模型进行特征提取得到的,示例性的,该神经网络模型例如可以是残差网络,本公开对具体的神经网络模型不做限制,本领域技术人员可根据实际情况设置。
S202,根据多个第一坐标位置和特征映射图计算得到多个第一特征向量。
其中,第一特征向量用于指示批改题目对应的第一节点特征信息,第一节点特征信息是通过对批改题目图像进行特征提取,得到特征映射图,在该特征映射图中确定批改题目的坐标位置,对批改题目对应的特征区域进行平均池化操作得到的第一节点特征信息,平均池化操作是指将选择的特征映射图中批改题目对应区域中的平均值作为该区域池化以后的第一节点特征信息。
具体的,根据多个批改题目分别对应的第一坐标位置,在提取的批改题目图像对应的特征映射图上确定多个批改题目的位置,通过对特征映射图上每个批改题目所对应的区域进行平均池化操作,以此计算得到多个第一特征向量。
S203,根据第二坐标位置和特征映射图计算得到第二特征向量。其中,第二特征向量用于指示批改信息对应的第二节点特征信息。本实施例中根据第二坐标位置和特征映射图计算得到第二特征向量具体实现过程参考上述实施例S202,此处不在赘述。
S204,将多个第一特征向量,以及第二特征向量输入至目标批改匹配模型。
其中,目标批改匹配模型是用来确定批改题目与目标批改信息之间是否匹配的,示例性的,该目标批改匹配模型例如可以是图卷积神经网络,图卷积神经网络是基于图拓扑结构构建的一种卷积神经网络,在本实施例中,将根据批改题目与批改信息分别计算得到的第一特征向量以及第二特征向量作为图卷积神经网络中的节点,以此基于每个节点特征信息与其相邻节点特征信息进行卷积操作,从而确定每个节点之间的关系,但不限于此,本公开不具体限制,本领域技术人员可根据实际情况设置。
S205,获取目标批改匹配模型输出的多个概率值。
具体的,将计算得到的多个第一特征向量,以及第二特征向量输入至目标批改匹配模型中,通过目标批改匹配模型得到多个第一特征向量与第二特征向量匹配的多个概率值。
这样,本实施例通过基于多个批改题目分别对应的第一坐标位置,在批改题目图像对应的特征映射图中,确定多个批改题目对应的特征区域之后,计算多个批改题目分别对应第一特征向量,基于目标批改信息对应的第二位置,在特征映射图确定批改目标批改信息的特征区域之后,计算目标批改信息对应的第二特征向量,利用目标批改匹配模型获取多个第一特征向量与第二特征向量分别对应的多个概率值,以此得到每个批改题目与目标批改信息相匹配的概率,避免人工计算以及识别,提高题目类别检测的效率。
图4为本公开实施例提供的又一种题目类别检测方法的流程示意图,图4是在图3所示实施例的基础上,进一步地,从多个第一坐标位置中,确定最大概率值对应的目标坐标位置,如图4所示,一种可以实现的方式为:
S301,从多个概率值中确定大于预设概率值的至少一个概率值。
其中,预设概率值是指通过设置预设概率值,对多个概率值进行筛选,将多个批改题目分别对应的第一坐标位置与目标批改信息对应的第二坐标位置中不匹配的概率过滤,过滤后的至少一个概率值为疑似概率值,进一步基于多个疑似概率值确定目标坐标位置,该预设概率值例如可以是50%,但不限于此,本公开不具体限制,本领域技术人员可根据实际情况设置。
S302,从多个第一坐标位置中,确定最大概率值对应的目标坐标位置。
其中,最大概率值具体为至少一个概率值中的最大值。
具体的,将获取得到的多个概率值与预设概率值进行对比,将小于预设概率值的过滤掉,进一步在被筛选后的多个概率值中,确定最大概率值对应的第一坐标位置为目标坐标位置。
示例性,上述目标批改信息为错号,以及多个批改题目为10个,通过目标批改匹配模型获取目标批改信息对应的第二特征向量,与10个批改题目分别对应的第一特征向量相匹配的10个概率值,例如可以是“45%”,“56%”,“34%”,“76%”,“68%”,“59%”,“23%”,“89%”,“69%”,“24%”,根据预设概率值50%,将小于或等于预设概率值50%过滤,得到疑似概率值为“56%”,“76%”,“68%”,“59%”,“89%”,“69%”,确定最大概率值“89%”对应的第一坐标位置为目标坐标位置。
这样,本实施例通过设置预设概率值,当多个概率值都小于预设概率值时,说明此时多个批改题目都与目标批改信息不匹配,提高确定目标坐标位置的准确率。
在上述实施例的基础上,在本公开的一些实施例中,确定目标坐标位置对应的目标批改题目为目标批改类别之后,还包括:
根据目标坐标位置,从批改题目图像中识别目标批改题目的题目内容。
具体的,根据目标坐标位置,在批改题目图像中确定目标批改题目对应的区域之后,利用识别模型对该目标批改题目进行识别处理,得到该目标批改题目对应的题目内容。
上述识别模型可以为卷积循环神经网络(Convolutional Recurrent NeuralNetwork,CRNN),该识别模型是根据训练集训练得到的,通过获取训练样本集,将训练样本集输入至初始识别模型如初始卷积循环神经网络中,得到预测题目内容,根据预测题目内容、训练样本集中真实的题目内容,调整初始识别模型的权重参数,直至初始识别模型满足预设收敛条件,确定当前的初始识别模型为训练好的识别模型。
需要说明的是,对于识别目标批改题目对应的题目内容的方法还可以是利用光学字符识别目标批改题目,以得到对应的题目内容,本公开不具体限制,本领域人员可根据具体情况设置。
确定与题目内容匹配的相关信息。
其中,相关信息包括以下至少一项:答案信息、知识点信息、相关教材信息,示例性的,上述目标批改题目对应的目标批改类别为错题,当识别出目标批改题目为“XXXXXX”,确定与“XXXXXX”的正确答案、相关的知识点信息、教材信息,但不限于此,本公开不具体限制。
将相关信息发送至目标可穿戴设备。
其中,目标可穿戴设备为批改题目图像所关联用户注册的可穿戴设备,该目标可穿戴设备例如可以是智能手表、学习机等电子设备。
具体的,在确定与目标批改题目对应的题目内容之后,获取与题目内容匹配的相关信息如答案信息、知识点信息、相关教材信息,进一步的将相关信息如答案信息、知识点信息、相关教材信息发送给与批改题目图像所关联用户注册的可穿戴设备如智能手表。
这样,本实施例通过确定目标批改题目之后,进一步的识别目标批改题目对应的内容以及相匹配的相关信息,并及时的发送给用户,从而能够使得用户能够及时巩固相关知识点,从而提高学习效率。
图5为本公开实施例提供的一种题目位置检测模型训练方法的流程示意图,如图5所示,具体包括:
S600,获取第一训练样本集。
其中,第一训练样本集包括至少一个第一样本,每个第一样本包括批改题目图像,以及批改题目图像中每个批改题目对应的第三坐标位置。
具体的,获取大量学生作答的批改题目图像,检测批改题目图像中包括多个批改题目,基于该多个批改题目,获取多个批改题目分别对应的的第三坐标位置,基于批改题目图像与批改题目图像中包含的每个批改题目对应的第三坐标位置构建第一训练样本集,但不限于此,本公开不具体限制。
S601,将第一训练样本集输入初始题目位置检测模型中,对初始题目位置检测模型进行训练,得到题目位置检测模型。
具体的,将第一训练样本集中的批改题目图像输入至初始题目位置检测模型中,初始题目位置检测模型输出批改题目图像中包含的一个或多个批改题目的预测坐标位置,通过第一训练样本集中的正确的第三坐标位置监督初始判题模型每次输出的预测坐标位置,并设置预设准确率,并根据预测坐标位置计算当前的准确率,当准确率小于预设准确率时,则调整当前题目位置检测模型的权重参数,以使输出的预测坐标位置接近于正确的第三坐标位置,自此完成一次网络模型的训练,直至当前题目位置检测模型收敛,停止网络模型训练,确定当前的题目位置检测模型为训练好的题目位置检测模型。
这样,本实施例基于第一训练样本集对初始题目位置检测模型进行训练,以得到训练好的题目位置检测模型,根据题目位置检测模型准确的检测批改题目图中包含的多个批改题目分别对应的第三坐标位置,以此提高检测目标批改题目的准确率。
图6为本公开实施例提供的一种批改位置检测模型训练方法的流程示意图,如图6所示,具体包括:
S700,获取第二训练样本集。
其中,第二训练样本集包括至少一个第二样本,每个第二样本包括批改题目图像,以及批改题目图像中每个目标批改信息对应的第四坐标位置。
具体的,获取大量学生作答的批改题目图像,检测批改题目图像中包括的目标批改信息,基于目标批改信息,获取目标批改信息对应的的第四坐标位置,基于批改题目图像与批改题目图像中包含的目标批改信息对应的第四坐标位置构建第二训练样本集,但不限于此,本公开不具体限制。
S701,将第二训练样本集输入初始批改位置检测模型中,对初始批改位置检测模型进行训练,得到批改位置检测模型。
具体的,将第二训练样本集中的批改题目图像输入至初始批改位置检测模型中,初始批改位置检测模型输出批改题目图像中包含的一个或多个目标批改信息的预测坐标位置,通过第二训练样本集中的正确的第四坐标位置监督初始判题模型每次输出的预测坐标位置,并设置预设准确率,并根据预测坐标位置计算当前的准确率,当准确率小于预设准确率时,则调整当前批改位置检测模型的权重参数,以使输出的预测坐标位置接近于正确的第四坐标位置,自此完成一次网络模型的训练,直至当前批改位置检测模型收敛,停止网络模型训练,确定当前的批改位置检测模型为训练好的批改位置检测模型。
这样,本实施例基于第二训练样本集对初始批改位置检测模型进行训练,以得到训练好的批改位置检测模型,根据批改位置检测模型准确的检测批改题目图像中包含的多个目标批改信息分别对应的第四坐标位置,以此提高检测目标批改题目的准确率。
图7为本公开实施例提供的一种批改匹配模型训练方法的流程示意图,如图7所示,具体包括:
S800,获取正样本和负样本。
其中,正样本中包括目标批改类别的多组第一向量对,每组第一向量对中包括第一特征向量,以及与第一特征向量匹配的第二特征向量,第一特征向量用于指示批改题目对应的第一节点特征信息,第二特征向量用于指批改题目匹配的所述批改信息对应的第二节点特征信息;负样本中包括目标批改类别的多组第二向量对,每组第二向量对中包括:第三特征向量,以及与第三特征向量不匹配的第四特征向量,第三特征向量用于指示批改题目对应的第一节点特征信息,第四特征向量用于指示与批改题目不匹配的批改信息对应的第二节点特征信息。
S801,将正样本和负样本输入初始批改匹配模型,对初始批改匹配模型进行训练,以得到目标批改匹配模型。
具体的,将获取到得正样本和负样本输入至初始批改匹配模型中,初始批改匹配模型输出与正样本和负样本分别对应的概率值,并通过设置1来监督每次批改匹配模型输出的正样本对应的概率值,通过设置0来监督每次批改匹配模型输出的负样本对应的概率值,同时设置预设准确率,根据输出与正样本和负样本分别对应的概率值计算当前的准确率,当准确率小于预设准确率时,则调整当前批改匹配模型的权重参数,以使输出的正样本对应的概率值接近于1,负样本对应的概率值接近于0,自此完成一次网络模型的训练,直至当前批改匹配模型收敛,停止网络模型训练,确定当前的批改匹配模型为训练好的目标批改匹配模型。
这样,本实施例通过正样本和负样本对初始批改匹配模型进行训练,以使初始批改匹配模型能够准确获取批改题目与目标批改信息之间的匹配关系,自动识别目标批改题目,提高目标批改题目检测的效率。
本公开实施例还提供了一种题目类别检测装置,用于执行上述实施例提提供的任一种题目类别检测方法,具备题目类别检测方法相应的有益效果。
图8为本公开实施例提供的一种题目类别检测装置的结构示意图,如图8所示,题目类别检测装置包括:获取模块00、坐标位置确定模块10、计算模块20、目标坐标位置确定模块30和目标批改类别确定模块40。
其中,获取模块00,用于获取批改题目图像,批改题目图像中包括多个批改题目,以及多个批改信息。
坐标位置确定模块10,用于确定多个批改题目在批改题目图像中的多个第一坐标位置,以及确定目标批改信息在批改题目图像中的第二坐标位置,目标批改信息为多个批改信息中目标批改类别的批改信息。
计算模块20,用于计算第二坐标位置与多个第一坐标位置匹配的多个概率值。
目标坐标位置确定模块30,用于从多个第一坐标位置中,确定最大概率值对应的目标坐标位置,最大概率值为多个概率值中的最大值。
目标批改类别确定模块40,用于确定目标坐标位置对应的目标批改题目为目标批改类别。其中,目标批改类别包括:正确题目以及错误题目。
在本公开实施例一实施方式中,坐标位置确定模块10具体用于将批改题目图像输入题目位置检测模型;获取题目位置检测模型输出的,多个批改题目对应的多个第一坐标位置。
在本公开实施例一实施方式中,坐标位置确定模块10具体还用于将批改题目图像输入批改位置检测模型;以使得批改位置检测模型,从多个批改信息中确定目标批改信息,以及确定目标批改信息在批改题目图像中的第二坐标位置,目标批改信息为所述目标批改类别的批改信息。
在本公开实施例一实施方式中,计算模块20具体用于根据批改题目图像获取特征映射图,特征映射图用于指示批改题目图像对应的全局特征信息;根据多个第一坐标位置和所述特征映射图计算得到多个第一特征向量,第一特征向量用于指示批改题目对应的第一节点特征信息;根据第二坐标位置和所述特征映射图计算得到第二特征向量,第二特征向量用于指示批改信息对应的第二节点特征信息;将多个第一特征向量,以及第二特征向量输入至目标批改匹配模型;获取目标批改匹配模型输出的多个概率值。
在本公开实施例一实施方式中,目标坐标位置确定模块30具体用于从多个概率值中确定大于预设概率值的至少一个概率值;从多个第一坐标位置中,确定最大概率值对应的目标坐标位置,其中,最大概率值具体为至少一个概率值中的最大值。
在本公开实施例一实施方式中,所述装置还:处理模块,用于根据目标坐标位置,从批改题目图像中识别目标批改题目的题目内容;确定与题目内容匹配的相关信息,相关信息包括以下至少一项:答案信息、知识点信息、相关教材信息;将相关信息发送至目标可穿戴设备,目标可穿戴设备为批改题目图像所关联用户注册的可穿戴设备。
本公开实施例提供的技术方案中,过获取批改题目图像中多个批改题目分别对应的第一坐标位置以及目标批改信息对应的第二坐标位置,计算第二坐标位置与多个第一坐标位置的概率值,并确定最大概率值对应的第一坐标位置为目标坐标位置,以此确定属于目标批改类别的目标批改题目,避免依赖人工对目标批改题目进行识别,通过自动识别目标批改题目,节省大量时间,有效的提高了目标批改题目检测的效率。
本公开实施例还提供了一种题目位置检测模型训练装置,用于执行上述实施例提提供的任一种题目位置检测模型训方法,具备题目位置检测模型训练方法相应的有益效果。
图9为本公开实施例提供的一种题目位置检测模型训练装置的结构示意图,如图9所示,题目位置检测模型训练装置包括:第一训练样本集获取模块600和题目位置检测模型训练模块601。
其中,第一训练样本集获取模块600,用于获取第一训练样本集,第一训练样本集包括至少一个第一样本,每个第一样本包括批改题目图像,以及批改题目图像中每个批改题目对应的第三坐标位置。
题目位置检测模型训练模块601,用于将所述第一训练样本集输入初始题目位置检测模型中,对所述初始题目位置检测模型进行训练,得到题目位置检测模型。
本公开实施例提供的技术方案中,通过基于第一训练样本集对初始题目位置检测模型进行训练,以得到训练好的题目位置检测模型,根据题目位置检测模型准确的检测批改题目图中包含的多个批改题目分别对应的第三坐标位置,以此提高检测目标批改题目的准确率。
本公开实施例还提供了一种批改位置检测模型训练装置,用于执行上述实施例提提供的任一种批改位置检测模型训方法,具备批改位置检测模型训练方法相应的有益效果。
图10为本公开实施例提供的一种批改位置检测模型训练装置的结构示意图,如图10所示,批改位置检测模型训练装置包括:第二训练样本集获取模块700和批改位置检测模型训练模块701。
其中,第二训练样本集获取模块700,用于获取第二训练样本集,第二训练样本集包括至少一个第二样本,每个第二样本包括批改题目图像,以及批改题目图像中每个目标批改信息对应的第四坐标位置。
批改位置检测模型训练模块701,用于将第二训练样本集输入初始批改位置检测模型中,对初始批改位置检测模型进行训练,得到批改位置检测模型。
本公开实施例提供的技术方案中,通过基于第二训练样本集对初始批改位置检测模型进行训练,以得到训练好的批改位置检测模型,根据批改位置检测模型准确的检测批改题目图像中包含的多个目标批改信息分别对应的第四坐标位置,提高检测目标批改题目的准确率。
本公开实施例还提供了一种批改匹配模型训练装置,用于执行上述实施例提提供的任一种批改匹配模型训练方法,具备批改匹配模型训练方法相应的有益效果。
图11为本公开实施例提供的一种批改匹配模型训练装置的结构示意图,如图11所示,批改匹配模型训练装置包括:第三获取模块800和目标批改匹配模型训练模块801。
第三获取模块800,用于获取正样本和负样本;其中,正样本中包括目标批改类别的多组第一向量对,每组第一向量对中包括第一特征向量,以及与第一特征向量匹配的第二特征向量,第一特征向量用于指示批改题目对应的第一节点特征信息,第二特征向量用于指示与批改题目匹配的所述批改信息对应的第二节点特征信息;负样本中包括目标批改类别的多组第二向量对,每组第二向量对中包括:第三特征向量,以及与第三特征向量不匹配的第四特征向量,第三特征向量用于指示批改题目对应的第一节点特征信息,第四特征向量用于指示与批改题目不匹配的所述批改信息对应的第二节点特征信息。
目标批改匹配模型训练模块801,用于将所述正样本和所述负样本输入初始批改匹配模型,对所述初始批改匹配模型进行训练,以得到目标批改匹配模型。
本公开实施例提供的技术方案中,通过正样本和负样本对初始批改匹配模型进行训练,以使初始批改匹配模型能够准确获取批改题目与目标批改信息之间的匹配关系,自动识别目标批改题目,提高目标批改题目检测的效率。
本公开实施例提供了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时可以实现图1到图7任一所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现图1到图7任一所示方法实施例的技术方案。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (15)
1.一种题目类别检测方法,其特征在于,所述方法包括:
获取批改题目图像,所述批改题目图像中包括多个批改题目,以及多个批改信息;
确定所述多个批改题目在所述批改题目图像中的多个第一坐标位置,以及确定目标批改信息在所述批改题目图像中的第二坐标位置,所述目标批改信息为所述多个批改信息中目标批改类别的批改信息;
计算所述第二坐标位置与所述多个第一坐标位置匹配的多个概率值;
从所述多个第一坐标位置中,确定最大概率值对应的目标坐标位置,所述最大概率值为所述多个概率值中的最大值;
确定所述目标坐标位置对应的目标批改题目为所述目标批改类别;
其中,所述目标批改类别包括:正确题目以及错误题目。
2.根据权利要求1所述的方法,其特征在于,所述确定所述多个批改题目在所述批改题目图像中的多个第一坐标位置,包括:
将所述批改题目图像输入题目位置检测模型;
获取所述题目位置检测模型输出的,多个批改题目对应的所述多个第一坐标位置。
3.根据权利要求1所述的方法,其特征在于,所述确定目标批改信息在所述批改题目图像中的第二坐标位置,包括:
将所述批改题目图像输入批改位置检测模型;
以使得所述批改位置检测模型,从所述多个批改信息中确定目标批改信息,以及确定所述目标批改信息在所述批改题目图像中的所述第二坐标位置,所述目标批改信息为所述目标批改类别的批改信息。
4.根据权利要求1所述的方法,其特征在于,所述计算所述第二坐标位置与所述多个第一坐标位置匹配的多个概率值,包括:
根据所述批改题目图像获取特征映射图,所述特征映射图用于指示所述批改题目图像对应的全局特征信息;
根据所述多个第一坐标位置和所述特征映射图计算得到多个第一特征向量,所述第一特征向量用于指示所述批改题目对应的第一节点特征信息;
根据所述第二坐标位置和所述特征映射图计算得到第二特征向量,所述第二特征向量用于指示所述批改信息对应的第二节点特征信息;
将所述多个第一特征向量,以及所述第二特征向量输入至目标批改匹配模型;
获取所述目标批改匹配模型输出的所述多个概率值。
5.根据权利要求1所述的方法,其特征在于,所述从所述多个第一坐标位置中,确定最大概率值对应的目标坐标位置,包括:
从所述多个概率值中确定大于预设概率值的至少一个概率值;
从所述多个第一坐标位置中,确定最大概率值对应的目标坐标位置,其中,所述最大概率值具体为所述至少一个概率值中的最大值。
6.根据权利要求1所述的方法,其特征在于,所述确定所述目标坐标位置对应的目标批改题目为所述目标批改类别之后,还包括:
根据所述目标坐标位置,从所述批改题目图像中识别所述目标批改题目的题目内容;
确定与所述题目内容匹配的相关信息,所述相关信息包括以下至少一项:
答案信息、知识点信息、相关教材信息;
将所述相关信息发送至目标可穿戴设备,所述目标可穿戴设备为所述批改题目图像所关联用户注册的可穿戴设备。
7.一种题目位置检测模型训练方法,其特征在于,所述方法包括:
获取第一训练样本集,所述第一训练样本集包括至少一个第一样本,每个所述第一样本包括批改题目图像,以及所述批改题目图像中每个批改题目对应的第三坐标位置;
将所述第一训练样本集输入初始题目位置检测模型中,对所述初始题目位置检测模型进行训练,得到题目位置检测模型。
8.一种批改位置检测模型训练方法,其特征在于,所述方法包括:
获取第二训练样本集,所述第二训练样本集包括至少一个第二样本,每个所述第二样本包括批改题目图像,以及所述批改题目图像中每个目标批改信息对应的第四坐标位置;
将所述第二训练样本集输入初始批改位置检测模型中,对所述初始批改位置检测模型进行训练,得到批改位置检测模型。
9.一种批改匹配模型训练方法,其特征在于,所述方法包括:
获取正样本和负样本;其中,所述正样本中包括目标批改类别的多组第一向量对,每组第一向量对中包括第一特征向量,以及与所述第一特征向量匹配的第二特征向量,所述第一特征向量用于指示批改题目对应的第一节点特征信息,所述第二特征向量用于指示与所述批改题目匹配的批改信息对应的第二节点特征信息;所述负样本中包括所述目标批改类别的多组第二向量对,每组第二向量对中包括:第三特征向量,以及与所述第三特征向量不匹配的第四特征向量,所述第三特征向量用于指示所述批改题目对应的第一节点特征信息,所述第四特征向量用于指示与所述批改题目不匹配的所述批改信息对应的第二节点特征信息;
将所述正样本和所述负样本输入初始批改匹配模型,对所述初始批改匹配模型进行训练,以得到目标批改匹配模型。
10.一种题目类别检测装置,其特征在于,所述装置包括:
获取模块,用于获取批改题目图像,所述批改题目图像中包括多个批改题目,以及多个批改信息;
坐标位置确定模块,用于确定所述多个批改题目在所述批改题目图像中的多个第一坐标位置,以及确定目标批改信息在所述批改题目图像中的第二坐标位置,所述目标批改信息为所述多个批改信息中目标批改类别的批改信息;
计算模块,用于计算所述第二坐标位置与所述多个第一坐标位置匹配的多个概率值;
目标坐标位置确定模块,用于从所述多个第一坐标位置中,确定最大概率值对应的目标坐标位置,所述最大概率值为所述多个概率值中的最大值;
目标批改类别确定模块,用于确定所述目标坐标位置对应的目标批改题目为所述目标批改类别;
其中,所述目标批改类别包括:正确题目以及错误题目。
11.一种题目位置检测模型训练装置,其特征在于,所述装置包括:
第一训练样本集获取模块,用于获取第一训练样本集,所述第一训练样本集包括至少一个第一样本,每个所述第一样本包括批改题目图像,以及所述批改题目图像中每个批改题目对应的第三坐标位置;
题目位置检测模型训练模块,用于将所述第一训练样本集输入初始题目位置检测模型中,对所述初始题目位置检测模型进行训练,得到题目位置检测模型。
12.一种批改位置检测模型训练装置,其特征在于,所述装置包括:
第二训练样本集获取模块,用于获取第二训练样本集,所述第二训练样本集包括至少一个第二样本,每个所述第二样本包括批改题目图像,以及所述批改题目图像中每个目标批改信息对应的第四坐标位置;
批改位置检测模型训练模块,用于将所述第二训练样本集输入初始批改位置检测模型中,对所述初始批改位置检测模型进行训练,得到批改位置检测模型。
13.一种批改匹配模型训练装置,其特征在于,所述装置包括:
第三获取模块,用于获取正样本和负样本;其中,所述正样本中包括目标批改类别的多组第一向量对,每组第一向量对中包括第一特征向量,以及与所述第一特征向量匹配的第二特征向量,所述第一特征向量用于指示批改题目对应的第一节点特征信息,所述第二特征向量用于指示与所述批改题目匹配的批改信息对应的第二节点特征信息;所述负样本中包括所述目标批改类别的多组第二向量对,每组第二向量对中包括:第三特征向量,以及与所述第三特征向量不匹配的第四特征向量,所述第三特征向量用于指示所述批改题目对应的第一节点特征信息,所述第四特征向量用于指示与所述批改题目不匹配的所述批改信息对应的第二节点特征信息;
目标批改匹配模型训练模块,用于将所述正样本和所述负样本输入初始批改匹配模型,对所述初始批改匹配模型进行训练,以得到目标批改匹配模型。
14.一种电子设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1-6任一项所述方法的步骤、权利要求7所述方法的步骤、权利要求8所述方法的步骤或权利要求9所述方法的步骤。
15.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-6任一项所述方法的步骤、权利要求7所述方法的步骤、权利要求8所述方法的步骤或权利要求9所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210165827.2A CN114241043A (zh) | 2022-02-23 | 2022-02-23 | 题目类别检测方法、训练方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210165827.2A CN114241043A (zh) | 2022-02-23 | 2022-02-23 | 题目类别检测方法、训练方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114241043A true CN114241043A (zh) | 2022-03-25 |
Family
ID=80748107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210165827.2A Pending CN114241043A (zh) | 2022-02-23 | 2022-02-23 | 题目类别检测方法、训练方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114241043A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2328135A1 (en) * | 2009-11-27 | 2011-06-01 | Boris Singer | System of testing, analysing and reporting (STAR) |
CN109710590A (zh) * | 2018-12-26 | 2019-05-03 | 杭州大拿科技股份有限公司 | 一种错题本生成方法及装置 |
CN110705534A (zh) * | 2019-09-17 | 2020-01-17 | 浙江工业大学 | 一种适用于电子助视器的错题本生成方法 |
-
2022
- 2022-02-23 CN CN202210165827.2A patent/CN114241043A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2328135A1 (en) * | 2009-11-27 | 2011-06-01 | Boris Singer | System of testing, analysing and reporting (STAR) |
CN109710590A (zh) * | 2018-12-26 | 2019-05-03 | 杭州大拿科技股份有限公司 | 一种错题本生成方法及装置 |
CN110705534A (zh) * | 2019-09-17 | 2020-01-17 | 浙江工业大学 | 一种适用于电子助视器的错题本生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271401B (zh) | 一种题目搜索、批改方法、装置、电子设备和存储介质 | |
CN109670504B (zh) | 一种手写答案识别批改方法及装置 | |
CN110008933B (zh) | 一种通用智能阅卷系统和方法 | |
CN108229580B (zh) | 一种基于注意力机制及特征融合的眼底图中糖网特征分级装置 | |
CN109284355B (zh) | 一种批改试卷中口算题的方法及装置 | |
TWI716012B (zh) | 樣本標註方法、裝置、儲存媒體和計算設備、損傷類別的識別方法及裝置 | |
CN112419299A (zh) | 一种螺栓缺失检测方法、装置、设备及存储介质 | |
CN113076872B (zh) | 一种智能试卷批改方法 | |
US11721229B2 (en) | Question correction method, device, electronic equipment and storage medium for oral calculation questions | |
CN110222195B (zh) | 题目作答结果与知识点关系的挖掘方法及电子装置 | |
CN110705596A (zh) | 白屏检测方法、装置、电子设备及存储介质 | |
CN111931730A (zh) | 判题方法、装置、电子设备及存储介质 | |
CN108470194B (zh) | 一种特征筛选方法及装置 | |
CN111783855A (zh) | 智能阅卷方法及装置 | |
CN114758199A (zh) | 检测模型的训练方法、装置、设备和存储介质 | |
CN111008594A (zh) | 改错题评阅方法、相关设备及可读存储介质 | |
CN113298161A (zh) | 图像识别模型测试方法、装置、计算机设备及存储介质 | |
CN114241043A (zh) | 题目类别检测方法、训练方法、装置、电子设备和介质 | |
CN116704606A (zh) | 一种理化实验操作行为识别方法、系统、装置及存储介质 | |
CN115482547A (zh) | 一种实现试题批改痕迹识别方法、存储介质及设备 | |
CN115564267A (zh) | 一种知识点掌握程度识别方法、存储介质及设备 | |
CN112085631B (zh) | 学生记忆曲线的智能分析方法 | |
CN114743048A (zh) | 检测异常秸秆图片的方法和检测装置 | |
CN111090989B (zh) | 一种基于文字识别的提示方法及电子设备 | |
CN112801013A (zh) | 一种基于关键点识别校验的人脸识别方法、系统及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220325 |