An Efficient Machine Learning Based Attendance Monitoring System Through Face Recognition
Notice bibliographique
Résumé
In the modern technological era, face recognition is attracting greater attention.The two methods used to recognize a person are physiological and behavioral, including fingerprint, iris scan, voice scan, signature scan, palm scan, etc.For this type of recognition, human action must be involved like placing the finger on a scanner.While face recognition does not need any human action, so it is most successful than any other biometric identification method and also advantageous.It is not new technology for us; we have been using it in our daily lives.It plays an important role in retail crimes, unlocking phones, finding the missing persons, helping blind, facilitating secure transactions, validating identity at ATMs, diagnose disease, protecting law enforcement, student attendance system, etc.The face recognition system can be realized using the existing hardware, cameras and image capture devices.Identifying a face from an existing database is a challenging issue in face recognition.Poor image quality, inadequate illumination, the subject not looking directly at the camera, and other factors can all cause problems.The same person's face will look different depending on how they are feeling.As a person ages, it gets harder to identify their face since their size and color may also change.This article uses the suggested system's Android application to track attendance using face recognition.The proposed technique can be utilized to school and college participation records.The human face in the transferred to the server picture of that class can be perceived utilizing a calculation.The HAAR overflow classifier is being utilized to cut out the face in this case and distinguish it.The HOG approach is then used to extricate the highlights of the perceived face.In the closing stage, a SVM classifier is utilized to distinguish the person from our data set.At the point when the individual is recognized in the photograph, the participation for that specific class will be naturally appointed in the succeed sheet.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».