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

فناوری تشخیص چهره با چشم‌اندازهای امیدبخش خود، در مواجهه با چالش‌هایی چون تغییر وضعیت، انسداد جزئی، تغییرات بیان، روشنایی و داده‌های جانبی، با محدودیت‌هایی روبرو است. این تحقیق یک الگوریتم بهینه‌سازی ترکیبی از bro-goa و شبکه عصبی کانولوشن عمیق را برای افزایش دقت و کارایی تشخیص چهره در محیط‌های مزاحم معرفی می‌کند. هدف اصلی این مقاله ایجاد یک رویکرد یادگیری عمیق مبتنی بر بهینه‌سازی برای تشخیص تصاویر چهره است که قادر به پردازش داده‌های 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 رفته‌اند. نتایج تحلیل مقایسه‌ای نشان می‌دهند که مدل پیشنهادی در تمامی مقادیر داده‌های آموزشی lfw، بالاترین دقت را داشته و با افزایش داده‌ها، دقت آن از 0.9165 به 0.9743 ارتقا می‌یابد. در مقایسه با سایر مدل‌ها، این روش کاهش قابل توجهی در نرخ خطای اشتباه پذیرش (far) از 0.48 به 0.18 و همچنین نرخ خطای رد اشتباه (frr) از 0.175 به 0.072 نشان می‌دهد. مدل پیشنهادی همچنین در تمامی زوایای روشنایی، به ویژه در زاویه‌های 0 و 20 درجه با دقت‌های 0.9293 و 0.9403، بهبود عملکرد چشمگیری داشته است. این نتایج حاکی از پایداری بیشتر و عملکرد بهتر این مدل نسبت به سایر روش‌ها در شرایط متغیر و محیط‌های نویزی هستند. در نهایت، روش پیشنهادی با دقت بالا و عملکرد بهینه، انتخاب مناسبی برای کاربردهای واقعی تشخیص چهره در محیط‌های پیچیده است.