Notice bibliographique
Résumé
The conventional methodology for recording student attendance, which heavily relies on manual data transcription, is prone to inefficiencies and errors.Consequently, the development of an automated attendance management system has emerged as a critical need for efficient and accurate maintenance of attendance records.This study presents the design and implementation of an automated attendance management system, exploiting face recognition technology for identifying students within a class setting.A unique dataset was curated, consisting of 3900 facial images, captured in five varying positions and under diverse lighting conditions.In the initial phase of the system's operation, images of students are captured via a mobile camera.Subsequently, the Haar Cascaded classifier is utilized for the detection of faces within these captured images, and the FaceNet network is employed to recognize the detected faces.In the subsequent phase, the system registers attendance by cross-referencing the recognized faces with the primary student record.An attendance sheet copy is then dispatched to the teacher.Upon evaluating the system's effectiveness, it was ascertained that the system successfully identifies students and registers their attendance with an impressive accuracy of 97.5%.It outperforms traditional systems in terms of workload reduction, error avoidance, speed, and accuracy.The proposed system holds potential for widespread deployment in institutes and schools for recording attendance and could be extended for employee attendance recording.By reducing human errors and the time required for attendance registration, and by swiftly generating electronic attendance lists, this system signifies a substantial improvement over conventional 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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 | 0,020 |
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 ».