Suhail: A Deep Learning-Based System for Identifying Missing People
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,005 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle