Face recognition system based on the multi-resolution singular value decomposition fusion technique
Notice bibliographique
Résumé
This study proposes a Fusion, Feature-Level, Face Recognition System (FFLFRS) that is based on the Multi-Resolution, Singular Value Decomposition (MSVD) fusion technique. Face recognition in the FFLFRS is achieved via four processes: face detection, feature extraction, feature fusion, and face classification. In this system, the most significant face features (that is, the eyes, nose, and mouth) are first detected. Then, local and global features are extracted by the Local Binary Pattern (LBP) and Principal Component Analysis (PCA) extraction approaches. Afterwards, the extracted features are fused by the MSVD method and classified by the Artificial Neural Network (ANN). The proposed FFLFRS was verified on 10,000 face images drawn from the face images database of the Olivetti Research Laboratory (ORL). Face recognition performance of this system was contrasted with levels of performance of three state of the art, fusion-level, face recognition systems (FRSs) depending on the Frequency Partition (FP), Laplacian Pyramid (LP), and Covariance Intersection (CI) fusion methods. Ten-thousand images were employed to test the proposed model and assess its performance, which was evaluated in terms of changes in pose, illumination, and expression, besides low resolution and presence of occlusion. The face recognition results of the proposed FFLFRS are encouraging. This system proved to be effective in dealing with images having challenges to face recognition and it could achieve a recognition accuracy as high as 97.78%.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».