Real-Time Detection and Identification of Suspects in Forensic Imagery Using Advanced YOLOv8 Object Recognition Models
Notice bibliographique
Résumé
Rapid advancements in artificial intelligence, machine learning, deep learning, coupled with easy access to high-capacity processing hardware, expansive organized datasets, and the evolution of artificial intelligence algorithms, have extensively influenced numerous fields. Digital Forensics is one such discipline where the application of artificial intelligence has been significantly amplified in recent years. The analysis of extensive image and video files derived from forensic evidence presents challenges in terms of time efficiency and accuracy. To surmount these challenges, artificial intelligence models can be employed to perform identification and classification processes on these data, thus expediting the resolution of forensic cases with enhanced precision. In the current study, state-of-the-art pre-trained YOLOv8 object recognition models - nano, small, medium, large, and extra-large - were utilized. These models were trained on the Wider-Face dataset with the objective of identifying suspects from images and videos sourced from digital materials in the field of digital forensics. The models achieved mean Average Precision (mAP) values of 97.513%, 98.569%, 98.763%, 98.775%, and 99.032% respectively. The YOLOv8 architecture demonstrated superior performance, outperforming the YOLOv5 architecture by a margin of 7.1% to 8.8%. To aid digital forensic experts in the detection and identification of suspicious individuals, a desktop application capable of real-time image analysis was developed.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».