Attendance System Based on Face Recognition Dependent on Deep Intelligent Techniques
Notice bibliographique
Résumé
Face recognition technique has been one of the most important and intriguing fields of detection and observation recently.This is due to the increasing need for real-time, automatic recognition, and surveillance systems, as well as the growing interest in the human visual system's role in face recognition and the design of human-computer interfaces.The most modern methods used for this purpose are dependent on the neural network, especially the deep neural network.Typically, the conventional process of any face recognition system mainly consists of three stages: face detection, feature extraction, and face recognition.An attendance system based on detecting and recognizing the faces of employees or visitors at the University of Mosul in Iraq is presented, the proposed method recognizes the detected faces whether they belong to the university employees or not.The main contribution of this paper is combining intelligent techniques in an important application.By using this method, the faces of both employees and visitors can be detected and recognized immediately in each image.The Viola-Jones method is used for the face detection stage, while the second and third stages are combined due to the use of a deep learning approach.Convolutional Neural Networks (CNNs) as deep intelligent techniques are employed to extract features, followed by training the system with provided samples.This work gets its strength from the deep learning that extracts features using multiple layers in a convolutional manner.A robust image recognition mechanism is utilized to achieve high accuracy in the results, reaching a success rate of 96% across various image samples and scenarios.The proposed model of face recognition is mostly used in real-time applications, as they can be deployed in other universities or organizations.
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 | 0,001 | 0,001 |
| 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 | 0,007 |
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 ».