في عالم يتزايد فيه الاعتماد على أنظمة المراقبة، يُعد تحديد المتهمين من المهام الحيوية التي تتطلب دقة استثنائية وكفاءة حسابية لضمان النشر في الوقت الفعلي. وقد قدمت دراسة جديدة إطار عمل مُحسّن يمكّن من ذلك عبر استخدام هيكل MobileNet الخفيف، مدعوماً بآليات الانتباه القنوي والمكاني.

يُعزز النموذج المقترح تمثيل الميزات من خلال تركيز انتباهه على المناطق الأكثر تميّزاً، في حين يقوم بقمع المعلومات الخلفية غير ذات الصلة، مما يُسهم في تحسين الأداء العام في عمليات التعريف. يتضمن الإطار عمليات إعداد مسبقة فعّالة، وتنقية الميزات المعتمدة على الانتباه، واستراتيجية تصنيف قوية يتم تحسينها باستخدام مُحسن Adam.

تم إجراء تجارب على مجموعة من مجموعات البيانات المعروفة للتعرف على الوجه، بما في ذلك مجموعة 'الوجوه المعنونة في البرية' (LFW)، و'CASIA-WebFace'، ونسخة فرعية من 'VGGFace2'، تحت ظروف واقعية تتضمن تغيرات في الإضاءة والزاوية والتداخل. أظهرت النتائج أن النموذج حقق دقة تصنيف عالية بلغت 97.8%، متفوقاً بذلك على النماذج التقليدية مثل CNN الأساسي، وResNet، وMobileNet القياسي.

تحليل مصفوفة الالتباس يُظهر تميُّزاً قوياً بين الفئات مع تقليل كبير في الأخطاء، في حين يؤكد تقييم ROC-AUC الأداء القوي عبر جميع الفئات. إضافة إلى ذلك، فإن النهج المقترح يُحافظ على تعقيد حسابي منخفض ووقت استنتاج مُختصر، مما يجعله مناسباً للتطبيقات المتعلقة بالمراقبة في الوقت الحقيقي وأنظمة الحافة.

هل أنتم متحمسون لرؤية كيف ستُحدث هذه الابتكارات الفجوة في عالم المراقبة؟ شاركونا آراءكم في التعليقات!