FRCNN-GNB: Cascade Faster R-CNN With Gabor Filters and Naïve Bayes for Enhanced Eye Detection
Notice bibliographique
Résumé
Research into biometric identification technologies has evolved in recent years, as most secure facilities and applications are now based on digital technology. Among the available biometric identification technologies is eye detection. The relevance and impact of the use of eye detection in a variety of biometric authentication systems are very high. The main problems associated with the accuracy of eye detection methods are occlusion or reflections from glass. In view of this, we propose a hybridized and enhanced eye detection method that uses a faster region-based convolutional neural network with Gabor filters and naive Bayes (FRCNN-GNB) model to address the problems associated with eye detection schemes. The proposed method consists of four components: convolution layers, a region proposal network, a detection network, and a decision model. The enhancement method is based on a cascade Faster R-CNN with Gabor filters and the naïve Bayes model, in which the initial bounding boxes of the eye region are detected using Faster R-CNN and the decision step is carried out using Gabor filters and the naïve Bayes model to determine which of the bounding boxes belong to the eye region. Experiments on the proposed FRCNN-GNB eye detection scheme are performed on the CASIA-IrisV4 database, and show that the accuracy in terms of eye detection is 100%. The results of the study demonstrate the efficiency of the proposed solution.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».