بهبود تشخیص کارآمد چهره با کمک الگوریتم های بهینه سازی ترکیبی BRO-GOA و شبکه عصبی کانولوشن عمیق

فناوری تشخیص چهره با چشم اندازهای امیدبخش خود، در مواجهه با چالش هایی چون تغییر وضعیت، انسداد جزئی، تغییرات بیان، روشنایی و داده های جانبی، با محدودیت هایی روبرو است. این تحقیق یک الگوریتم بهینه سازی ترکیبی از BRO-GOA و شبکه عصبی کانولوشن عمیق را برای افزایش دقت و کارایی تشخیص چهره در محیط های مزاحم معرفی می کند. هدف اصلی این مقاله ایجاد یک رویکرد یادگیری عمیق مبتنی بر بهینه سازی برای تشخیص تصاویر چهره است که قادر به پردازش داده های پیچیده و نویزی باشد. الگوریتم Battle Royale Optimization Algorithm (BRO) و سیستم فازی نوع II برای حذف نویز و بهبود پردازش بعدی در این مدل به کار رفته اند. نتایج تحلیل مقایسه ای نشان می دهند که مدل پیشنهادی در تمامی مقادیر داده های آموزشی LFW، بالاترین دقت را داشته و با افزایش داده ها، دقت آن از ۰.۹۱۶۵ به ۰.۹۷۴۳ ارتقا می یابد. در مقایسه با سایر مدل ها، این روش کاهش قابل توجهی در نرخ خطای اشتباه پذیرش (FAR) از ۰.۴۸ به ۰.۱۸ و همچنین نرخ خطای رد اشتباه (FRR) از ۰.۱۷۵ به ۰.۰۷۲ نشان می دهد. مدل پیشنهادی همچنین در تمامی زوایای روشنایی، به ویژه در زاویه های ۰ و ۲۰ درجه با دقت های ۰.۹۲۹۳ و ۰.۹۴۰۳، بهبود عملکرد چشمگیری داشته است. این نتایج حاکی از پایداری بیشتر و عملکرد بهتر این مدل نسبت به سایر روش ها در شرایط متغیر و محیط های نویزی هستند. در نهایت، روش پیشنهادی با دقت بالا و عملکرد بهینه، انتخاب مناسبی برای کاربردهای واقعی تشخیص چهره در محیط های پیچیده است.

کلیدواژه ها:

تشخیص چهره ، الگوریتم بهینه سازی ، شبکه عصبی کانولوشن ، Battle Royale Optimization ، دقت