في عالم الطب الشرعي، يعتبر التعرف التلقائي على المجرمين من أكبر التحديات بسبب التغيرات في الوضعيات، الإضاءة، الحجب، وعدم وجود بيانات مصنفة. في هذا الإطار، تقدّم ForensicNet، وهو إطار عمل خفيف الوزن في التعلم العميق لتعزيز التعرف على الوجوه.

يعتمد هذا النموذج على بنية MobileNetV2 ويستخدم وحدات انتباه كتلة الالتفاف (Convolutional Block Attention Modules - CBAM) لتحسين قدرة النموذج في تعلم الميزات التمييزية، مع الحفاظ على سرعة الحساب. تتضمن الاستراتيجية المتبعة لتعلم النقل فترة مزدوجة مع فك تجميد طبقات متكيّف، مما يسهم في تحسين التكيف مع المجال وتقليل الإفراط في التعلّم.

استُخدمت في هذه الدراسة مجموعات بيانات متاحة للجمهور، مثل LFW و SCFace، حيث تمّ تحليل 15,000 صورة وجه تغطي 68 فئة هوية. وقد أظهر النموذج أداءً يفوق البنى الأساسية مثل AlexNet و ResNet-50 و MobileNetV2 بدقة 92.4%، دقة 90.8%، واسترجاع 89.5%. علاوة على ذلك، يتطلب هذا الإطار 2.1 GFLOPs فقط لكل استدلال، مما يجعله مثالياً لتطبيقات المراقبة الجنائية في الوقت الحقيقي.

بهذه التكنولوجيا الجديدة، قد نشهد تحولاً حقيقياً في كيفية التعرف على المجرمين وتحقيق العدالة. هل تعتقد أن هذه التقنية ستساعد في تحسين الأمن العام؟ شاركونا آراءكم في التعليقات!