تحليل مقارنه لأداء معماريات الشبكات العصبية التلاففية في التعرف على الوجه(رؤى من قواعد بيانات LFW وORL)
DOI:
https://doi.org/10.61212/jsd/306الكلمات المفتاحية:
التعرف على الوجه، التعلم العميق، الشبكات العصبية التلافيفية، تحليل مقارنهالملخص
تُستخدم تقنية التعرف على الوجه القائمة على تقنيات الذكاء الاصطناعي والتعلم الآلي والتعلم العميق بشكل متكرر في أنظمة الأمان من خلال المصادقة البيومترية للوجه، وإنفاذ القانون، واعتقال المشتبه بهم والمجرمين باستخدام المراقبة وكشف الوجه، وأنظمة مراقبة الحضور والغياب في الوقت الفعلي، وحالات استخدام مختلفة أخرى. لقد قدمت تقنيات التعلم العميق (DL) مؤخرًا مساهمات مهمة في تقنية التعرف على الوجه، وخاصة الشبكة العصبية التلافيفية (CNN)؛ والتي تُستخدم على نطاق واسع لمعالجة الصور نظرًا لدقتها العالية في نمذجة الظواهر المعقدة. هناك شبكات عصبية ملتوية متنوعة تتميز بهندستها المعمارية. في هذه المقالة، يتم تحليل أداء أربع هياكل معمارية: LeNet وAlexNet وResNet و DenseNet لتحديد أي هيكل معماري هو الأفضل، يتم استخدام مقياسين للأداء للمقارنة؛ الدقة والوقت. تم تدريب هذه الهياكل المعمارية واختبارها على قواعد بيانات LFW وORL. كانت أفضل الهياكل المعمارية أداءً هي DenseNet، بدقة 100٪ على قاعدة بيانات وجه ORL واستغرق تنفيذها أقل وقت. يمكن أن يكون لهذا إمكانات جيدة لتطوير أنظمة وتطبيقات تستخدم التعرف على الوجه في عملها.
التنزيلات
منشور
إصدار
القسم
الرخصة
الحقوق الفكرية (c) 2025 مجلة التطوير العلمي للدراسات والبحوث JSD
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
