IMPROVING SMART HOME SAFETY WITH FACE RECOGNITION USING MACHINE LEARNING
Notice bibliographique
Résumé
Smart home devices can be programmed to optimize energy usage and reduce waste, leading to lower energy bills. IoT devices allow for remote control and automation of home systems such as lighting, temperature, and security, making daily life more convenient. IoT devices can provide real-time insights into household usage and patterns, allowing for improved awareness and decision making. IoT devices such as smart locks and security cameras can provide real-time monitoring and alerts, improving home security. Nowadays users face many inconveniences in usage of electronic fingerprint door locks such as False rejections, Limited user capacity, vulnerability to environmental factors such as moisture, dirt, and oil, leading to decreased accuracy, cost and maintenance. As there are many drawbacks found in existing methods in alteration to that, we use face recognition technology in smart homes, where it has the potential to greatly improve safety and security. By using machine learning algorithms, smart home devices equipped with cameras and facial recognition software can identify and authenticate authorized users, reducing the risk of unauthorized access. The technology can also alert homeowners of potential intruders and provide real-time monitoring of the home. With its ability to learn and adapt to new faces, face recognition technology has the potential to provide a high level of accuracy and security for smart homes. This technology can be integrated into various smart home systems such as security cameras, door locks, and access control systems. The implementation of face recognition technology in smart homes can not only enhance safety but also provide a more convenient and personalized user experience. In this research work we use a hybrid machine learning algorithm for face recognition in a home automation system that could be a combination of Convolutional Neural Networks (CNN) and Support Vector Machines (SVM). The CNN can be used for feature extraction from face images, while the SVM can be used for classification and identification of individual faces. This hybrid approach can take advantage of the strengths of both algorithms, providing robust and accurate face recognition performance. Additionally, this hybrid approach can be easily trained on large datasets and can handle variations in lighting, facial expressions, and angles, making it suitable for real-world face recognition applications in home automation systems.\n\n
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) | 0,001 | 0,000 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».