Room Security System Using Machine Learning with Face Recognition Verification
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
Machine Learning (ML), an intelligent system known for its capacity to automate procedures by discerning patterns pertinent to specific tasks such as detection, prediction, and pattern recognition, is increasingly being used to advance biometric technologies.Among these, facial recognition, a subset of computer vision-based biometrics, is emerging as a robust security measure.The present study is centered on the design of a room security system that leverages facial recognition, rooted in a Convolutional Neural Network (CNN) architecture.The CNN model was constructed within the Tensorflow framework, employing the Keras library and Scikit-learn, all embedded within a Raspberry Pi system.The model was trained on 15 registered face classes, with an additional three unregistered classes used for biometric security testing.Performance was evaluated using the False Acceptance Rate (FAR) and False Rejection Rate (FRR), metrics that assess the system's ability to accurately verify authorized and unauthorized users.Findings demonstrated that the CNN model achieved a 97% accuracy rate in facial identification.Furthermore, biometric security testing of the CNN model using room security devices yielded optimal results at a threshold of 90%, with FAR=26.67%,FRR=9.33%, and an Equal Error Rate (EER) of 21.33%.It was observed that factors such as lighting, data variation, resolution, and positional changes during data sampling could impact the system's performance in realtime operations.It is therefore recommended that data collection and facial scanning be consistently conducted under identical environmental conditions to enhance the accuracy of the system.This study signifies a substantial stride in the development of advanced room security systems, thus contributing to the broader realm of secure access control systems.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 | 0,002 |
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