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

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 پس زمینه شدید و نور غیریکنواخت به طور قابل توجهی کاهش می یابد. این پژوهش به بررسی نقش شبکه های مولد تخاصمی در بهبود کیفیت تصاویر چهره و افزایش دقت بازشناسی در شرایط نوری چالش برانگیز می پردازد. در این مقاله ابتدا چالش های اساسی سیستم های بازشناسی چهره در شرایط نوری مختلف تحلیل شده و سپس معماری های مختلف GAN شامل EnlightenGAN، IL-GAN و مدل های پیشرفته مبتنی بر توجه مورد بررسی قرار گرفته اند. نتایج تجربی نشان می دهد که مدل های مبتنی بر GAN با بهبود نسبت سیگنال به نویز پیک تا ۳/۳۷ دسی بل و شاخص تشابه ساختاری تا ۰/۰۵۷۹، دقت بازشناسی را از ۶۲ درصد در شرایط نور معمولی تا ۸۹ درصد در شرایط نوری چالش برانگیز افزایش می دهند. همچنین روش پیشنهادی مبتنی بر یادگیری نادیده گیرنده نور با میانگین دقت ۹۴/۲ درصد در مجموعه داده های چندنوری عملکرد برتری نشان داده است. این پژوهش نشان می دهد که استفاده از مکانیسم های توجه و معماری های دوگانه مولد تمیزدهنده می تواند به طور موثری چالش نوری نامناسب را در سیستم های بازشناسی چهره مدیریت کند.

کلیدواژه ها:

بازشناسی چهره ، شبکه های مولد تخاصمی ، شرایط نوری نامناسب ، افزایش کیفیت تصویر ، یادگیری عمیق