A Proposed Framework for Identity Verification in Passport Management Using Model Scaling and Semantic Similarity
Notice bibliographique
Résumé
The dependence on images for face detection and identity verification was at odds with broad assessment which showed that coordinating with sets of non-similar images was profoundly inclined to make mistakes.The current passport management lacks security of data and requires more manpower and time, manual calculations, and verification of documents as well as the photographs.Additionally, the computerized passport examination requires accurate processing in order to carry out crucial tasks like identifying passport forgeries, looking for wanted criminals, or finding those who are ineligible for immigration, among other things because the utilization of fake passports addresses a huge danger to the security of the nation.Therefore, the purpose of this paper is to enhance the identity verification process in passport management.The paper comprises implementation of various technologies and technology driven models for serving its purpose by using the latest and efficient techniques that includes neural networks, face detection, image similarity, ROI (region of interest) and model scaling.The dataset utilized in the paper was self-prepared by the authors and consisted of 5 images each for 10 different individuals.It had been trained from scratch on different models based on CNN architecture.Out of all the three models used for training, the model that resulted in highest accuracy was further considered for research.EfficientNetB0 resulted in 82% accuracy being the highest out of all the three models.The threshold for the model was thereby calculated using z-score which compared the similarity scores and classified the images as similar or non-similar.Therefore, it can be concluded that the techniques utilized in the paper are efficient enough to determine the similarity of an image with its corresponding image.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| 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 ».