Comparative study of machine learning algorithms for face recognition
Notice bibliographique
Résumé
Background: The fundamental need for authentication and identification of humans using their physiological, behavioral or biological characteristics, continues to be applied extensively to secure localities, property, financial transactions, etc. Biometric systems based on face characteristics, continue to attract the attention of researchers, major public and private services. In the literature, many methods have been deployed by different authors. The best performance must be found in order to be able to recommend the most effective method. So, the main objective of thisarticle is to make a comparative study of different existing techniques.Methods: A biometric system is generally composed of four stages: acquisition of facial images, preprocessing, extraction of characteristics and finally classification. In this work, the focus is on machine learning algorithms for classification. These algorithms are: Support Vector Machines (SVM), Artificial Neural Networks (ANN), K-Nearest Neighbors (KNN), Random Forests (RF), Logistic Regression (LR), Naive Bayesian Classification (NB: Naive Bayes’ Classifiers) and deep learning techniques such as Convolutional Neural Networks (CNN). The comparison criterion is the average performance, calculated using three performance measures: recognition rate, confusion matrix, and the Area Under Receiver Operating Characteristic (ROC) curve.Results: Based on this criterion, the performance comparison of selected machine learning algorithms, shows that CNN is the best, with an average performance of 100.00% On ORL face database. However, on the YALE database, classical algorithms such as artificial neural networks have obtained the best performances, the highest being a rate of 100%.Discussion: Deep learning techniques are very efficient in image classification as proven by the results on the ORL database. However, their inefficiency on YALE face database is due to the small size of this database which is inappropriate for some deep learning algorithms. But this weakness can be corrected by image augmentation techniques. The comparison of these results with existing state-of-the-art methods is nearly the same. Authors achieved performances of 94.82%, 95.79%, 96.15%, 96.44%, 97.27%, 98.52% and 98.95% for NB, KNN, RF, LR, ANN, SVM and CNN classifiers, respectively. Finally, in depth discussion, it is concluded that between all these approaches which are useful in face recognition, the CNN is the best classification algorithm.
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 | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».