Suhail: A Deep Learning-Based System for Identifying Missing People
Notice bibliographique
Résumé
Many people become missing in Saudi Arabia every day, including children, young people, and the mentally ill as well as the elderly with Alzheimer’s. There are many missing people cases that are still unsolved. In Saudi Arabia, people use social media platforms such as Twitter to report missing people cases. The application of deep learning has been successful in a wide range of fields including computer vision and machine vision. In particular, face recognition techniques are effective in saving time and effort, especially when searching for missing individuals. Hence, the goal of this research is to solve this issue by developing a deep learning-based system for identifying missing individuals. This paper introduces a new system called Suhail. The system has been implemented and developed using Android Studio and open-source libraries such as TensorFlow. First, users or governments can report missing persons by uploading photos. Updates and information will then be shared with the rest of the system’s users (volunteers). Once a volunteer discovers a suspect, they scan their face using camera. Then, our application uses face recognition techniques to compare the suspect's photo with photos from the repository. Finally, once a comparison is found, our application contacts the suspect’s family, informs them of his location and then notifies the police that a missing person has been located. By using our application and face recognition systems, we help families and police locate and reach a missing person which saves time and effort. In this study, 759 participants were enrolled to evaluate the performance of the Suhail system. Engagement, aesthetics, and functionality are used to evaluate the user experience. The results of the experiment show that users enjoy the new features of the application and that the system is simple to use. Moreover, the system would help governments and individuals identify missing people faster.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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 ».