Crime Scene Object Detection for Forensic Investigations Using Faster R-CNN and YOLOv5 Models
Notice bibliographique
Résumé
More and more complex and numerous are the forensic findings required while investigating the crime scene, it is important to address the need for technological enhancements for the crime scene analysis. This objective detection models are important in helping alleviate the numerous errors that are involved when a human is tasked with the responsibility of identifying and categorizing objects within a crime scene, as it faster the process. In this research, Faster R-CNN and YOLOv5 deep learning models are used to detect the objects in crime scenes. Faster R-CNN which offers accuracy in object detection is used while YOLOv5 a real-time object detection framework improves the speed of detection. The models were trained and tested on a dataset which contains images of crime scene and the related objects include weapon, evidence mark and personal effect. The efficiency of the developed models was assessed by comparing the results on the mAP, detection speed, and false positive ratios. As such, the experimental results show that YOLOv5 is faster than Faster R-CNN for real-time applications, whereas Faster R-CNN is more accurate for higher detection rate-based applications. These models are complementary in their operation, the study suggests an integration of these models to improve efficiency for the forensic process. The study shows that by incorporating data object detection into contemporary forensic investigation processes powered by AI, the forensic science will significantly improve its ability to analyze evidence and solve crimes.
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 | 0,000 | 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 | 0,001 |
| 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 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 ».