افزایش دقت سیستم‌های بازشناسی چهره در شرایط نوری نامناسب با شبکه‌های مولد تخاصمی

افزایش دقت سیستم‌های بازشناسی چهره در شرایط نوری نامناسب با شبکه‌های مولد تخاصمی

زهرا روحانی1

1) مربی گروه کامپیوتر، واحد شیروان، دانشگاه آزاد اسلامی، شیروان، ایران

کد IOI مقاله : AAHD-ABFHEE
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    بازشناسی چهره به عنوان یکی از مهم‌ترین فناوری‌های بیومتریک در دهه اخیر پیشرفت‌های چشمگیری داشته است. با این حال، عملکرد این سیستم‌ها در شرایط نوری نامناسب مانند نور کم، نور پس‌زمینه شدید و نور غیریکنواخت به طور قابل توجهی کاهش می‌یابد. این پژوهش به بررسی نقش شبکه‌های مولد تخاصمی در بهبود کیفیت تصاویر چهره و افزایش دقت بازشناسی در شرایط نوری چالش‌برانگیز می‌پردازد. در این مقاله، ابتدا چالش‌های اساسی سیستم‌های بازشناسی چهره در شرایط نوری مختلف تحلیل شده و سپس معماری‌های مختلف GAN شامل IL-GAN، EnlightenGAN، و مدل‌های پیشرفته مبتنی بر توجه مورد بررسی قرار گرفته‌اند. نتایج تجربی نشان می‌دهد که مدل‌های مبتنی بر GAN با بهبود نسبت سیگنال به نویز پیک تا ۳٫۳۷ دسی‌بل و شاخص تشابه ساختاری تا ۰٫۰۵۷۹، دقت بازشناسی را از ۶۲ درصد در شرایط نور معمولی تا ۸۹ درصد در شرایط نوری چالش‌برانگیز افزایش می‌دهند. همچنین، روش پیشنهادی مبتنی بر یادگیری نادیده‌گیرنده نور با میانگین دقت ۹۴٫۲ درصد در مجموعه داده‌های چندنوری عملکرد برتری نشان داده است. این پژوهش نشان می‌دهد که استفاده از مکانیسم‌های توجه و معماری‌های دوگانه مولد-تمیزدهنده می‌تواند به طور مؤثری چالش نوری نامناسب را در سیستم‌های بازشناسی چهره مدیریت کند.

کلمات کلیدی : بازشناسی چهره شبکه‌های مولد تخاصمی شرایط نوری نامناسب افزایش کیفیت تصویر یادگیری عمیق