Design and Development of Automated Student Attendance Framework in Fusion of CNN, HAAR, and ResNet
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
Traditional university attendance systems, whether manual or biometric, are generally inefficient, prone to fraud, and have large operational costs.This research study solves these issues by providing an automated attendance tracking system based on facial recognition, which eliminates the need for human supervision while increasing precision.To recognize and extract facial features, the system uses a fused deep learning model that combines ResNet-based Convolutional Neural Networks (CNN), pretrained U-NET, and HAAR cascade techniques.The model was trained using a dataset of 1,120 facial photos per participant, which included nine and eleven-layer CNN architectures with a variety of activation functions such as ReLU, SoftMax, and Tanh.The system, built with Python and OpenCV, extracts 68 facial landmarks per face and functions under a variety of lighting and environmental circumstances.The suggested algorithm achieves 97.81% accuracy in recognition while significantly lowering false positives by 3.03%, 2.03%, and 1.48% when compared to ResNet18, ResNet34, and ResNet50.Furthermore, the computational efficiency of the TensorFlow and CoreML frameworks was evaluated in order to determine their suitability for implementation on embedded devices.The findings show that the approach is effective in real-time attendance settings and has the potential to improve existing institutional tracking 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.
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 | 0,001 |
| 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 découle