Hands and Palms Recognition by Transfer Learning for Forensics: A Comparative Study
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
In the realm of forensic science, precise identification of individuals holds paramount importance in both investigative procedures and legal proceedings. Hands and palms recognition has emerged as a valuable biometric modality within forensic applications, owing to the distinct and intricate features inherent to these anatomical regions. The elaborate patterns of veins, creases, and ridges present on palms and fingers serve as rich sources of biometric data, crucial for accurate identification purposes. Furthermore, given the frequent involvement of hands and palms in criminal activities such as theft and assault, their recognition becomes imperative for establishing links between suspects and crime scenes. However, developing robust recognition systems tailored for forensic applications poses notable challenges, including variations in hand poses, lighting conditions, and image quality. To address these hurdles, sophisticated deep learning techniques, notably transfer learning, have been employed. By harnessing pre-trained deep learning models namely NasNetLarge, NasNetMobile, and EfficientNet, initially trained on expansive datasets for general image recognition tasks, we can adapt these models to the specific task of hands and palms recognition in forensic contexts. Our findings reveal that all three models consistently achieved over 92% accuracy across all metrics evaluated, demonstrating their efficacy as strong contenders for the hands-and-palms recognition task. Notably, the EfficientNet model exhibited superior performance compared to its counterparts, boasting more than 95.8% accuracy, precision, F1-score and recall, along with more than 98.6% specificity and 99.4% AUC.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
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