Penerapan Metode Convolutional Neural Network Untuk Mendeteksi Wajah Yang Menggunakan Masker
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
Pada tahun 2019 sedang terjadi pandemi virus bernama Coronavirus Disease 2019 (covid-19) yang sedang melanda banyak negara. Covid-19 sendiri berasal dari virus Severe Acute Respiratory Snydrome Coronavirus 2 (SARS-Cov-2) yang dapat menginfeksi sistem pernapasan manusia. Cara efektif untuk mengatasi penyebaran wabah tersebut adalah dengan menggunakan masker dan menaati protokol Kesehatan.Dengan program ini diharapkan mampu mendeteksi wajah yang menggunakan masker atau tidak. Program ini akan mendeteksi wajah secara realtime. Program tersebut nantinya akan berjalan dengan webcam laptop dengan cara mendeteksi wajah apakah menggunakan masker atau tidak. Program ini nantinya akan menggunakan bahasa pemrograman python dengan framework tensorflow yang mengadopsi konsep convolutional neural network. Convolutional Neural Network termasuk salah satu deep learning. Deep Learning merupakan sub-set dari machine learning. Di dunia machine learning akan terdapat dataset untuk program tersebut dapat mempelajari pola gambar. Dataset tersebut nantinya akan diisi oleh gambar wajah yang menggunakan masker dan yang tidak menggunakan masker. Nantinya gambar-gambar tersebut akan dipisah dipisah menjadi beberapa folder.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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