Performance Evaluation of Block-Sized Algorithms for Majority Vote in Facial Recognition
Notice bibliographique
Résumé
Facial recognition (FR) is a pattern recognition problem, in which images can be considered as a matrix of pixels.There are manychallenges that affect the performance of face recognitionincluding illumination variation, occlusion, and blurring. In this paper,a few preprocessing techniques are suggested to handle the illumination variationsproblem. Also, other phases of face recognition problems like feature extraction and classification are discussed. Preprocessing techniques like Histogram Equalization (HE), Gamma Intensity Correction (GIC), and Regional Histogram Equalization (RHE) are tested inthe AT&T database. For feature extraction, methods such as Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA), Independent Component Analysis (ICA), and Local Binary Pattern (LBP) are applied. Support Vector Machine (SVM) is used as the classifier. Both holistic and block-based methods are tested using the AT&T database. For twelve different combinations of preprocessing, feature extraction, and classification methods, experiments involving various block sizes are conducted to assess the computation performance and recognition accuracy for the AT&T dataset.Using the block-based method, 100% accuracy is achieved with the combination of GIC preprocessing, LDA feature extraction,and SVM classification using 2x2 block-sizingwhile the holistic method yields the maximum accuracy of 93.5%. The block-sized algorithm performs better than the holistic approach under poor lighting conditions.SVM Radial Basis Function performs extremely well on theAT&Tdataset for both holistic and block-based approaches.
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 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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».