Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Przegląd Elektrotechniczny

1 2024

Powiadomienia systemowe

Sesja wygasła!
Sesja wygasła!

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: frekwencja

Sortuj według:

Ogranicz wyniki do:

Face recognition smart attendance system using convolutional neural networks

Manimekalai M.A.P., Daniel Esther, Neebha Mary T., Muthulakshmi K., Jess C, Ryan Paul, Raguram S.

Przegląd Elektrotechniczny

2024

R. 100, nr 5

244--247

An automated face attendance system using Convolutional Neural Networks (CNN) is a promising technology for improving attendance management in educational institutions, workplaces, and other organizations. This system uses a deep learning model based on CNN to detect and recognize faces from images captured by a camera. The captured image is pre-processed by applying various techniques such as face detection, extraction, and normalization to extract facial features. The extracted features are then stored in a real-time database and used to train the CNN model to recognize the faces of individuals accurately. The system can efficiently handle various lighting conditions and pose variations to recognize individuals. The proposed method provides a fast and accurate approach to attendance management that can significantly reduce manual efforts and errors.

Zautomatyzowany system obecności na zajęciach wykorzystujący konwolucyjne sieci neuronowe (CNN) to obiecująca technologia usprawniająca zarządzanie frekwencją w instytucjach edukacyjnych, miejscach pracy i innych organizacjach. System ten wykorzystuje model głębokiego uczenia się oparty na CNN do wykrywania i rozpoznawania twarzy na obrazach zarejestrowanych przez kamerę. Przechwycony obraz jest wstępnie przetwarzany przy użyciu różnych technik, takich jak wykrywanie twarzy, ekstrakcja i normalizacja w celu wyodrębnienia rysów twarzy. Wyodrębnione cechy są następnie przechowywane w bazie danych działającej w czasie rzeczywistym i wykorzystywane do uczenia modelu CNN w zakresie dokładnego rozpoznawania twarzy poszczególnych osób. System może skutecznie obsługiwać różne warunki oświetleniowe i stawiać różne pozycje w celu rozpoznawania osób. Proponowana metoda zapewnia szybkie i dokładne podejście do zarządzania frekwencją, które może znacznie zmniejszyć wysiłek i błędy wykonywane ręcznie.