تشخیص هویت از روی ساختار گوش مبتنی بر یادگیری عمیق

شناسایی بیومتریک به عنوان یکی از ارکان اصلی سیستم‌های امنیتی مدرن، همواره با چالش یافتن توازن میان دقت بالا و کارایی محاسباتی روبرو بوده است. ساختار گوش انسان به دلیل ویژگی‌های منحصر به فرد و پایدار خود، پتانسیل بالایی به عنوان یک شناسه بیومتریک قابل اعتماد دارد. این پژوهش با هدف طراحی و ارزیابی یک سیستم کارآمد و دقیق برای تشخیص هویت از روی ساختار گوش، یک معماری سفارشی و سبک‌وزن مبتنی بر شبکه عصبی پیچشی (cnn) را ارائه می‌دهد. در این تحقیق، یک مدل cnn بهینه‌سازی‌شده در محیط نرم‌افزاری متلب پیاده‌سازی گردید. معماری پیشنهادی برای یادگیری سلسله‌مراتبی و استخراج ویژگی‌های تمایزبخش از تصاویر گوش طراحی شده است. به منظور صحه‌سنجی، از یک پایگاه داده جامع استفاده شد که به دو بخش 70٪ برای آموزش و 30٪ برای آزمون تقسیم گردید. عملکرد مدل با استفاده از مجموعه‌ای از معیارهای استاندارد شامل دقت، بازخوانی، و امتیاز f₁ مورد ارزیابی قرار گرفت. مدل پیشنهادی عملکردی برجسته از خود به نمایش گذاشت و به دقت کلی (accuracy) 96.5٪، بازخوانی (recall) 96.2٪ و امتیاز f₁-score معادل 96.6٪ دست یافت. تحلیل تطبیقی نشان داد که این مدل نه تنها به طور قابل توجهی از روش‌های کلاسیک مبتنی بر ویژگی‌های دست‌ساز (که به دقتی در حدود 91٪ می‌رسیدند) برتر است، بلکه با معماری‌های عمیق و پیچیده‌تر روز (state-of-the-art) نیز رقابت می‌کند، در حالی که از نظر محاسباتی بسیار بهینه‌تر است. نتایج این پژوهش اثبات می‌کند که یک معماری cnn سفارشی و هدفمند می‌تواند توازن بهینه‌ای میان دقت بالا و سادگی محاسباتی (model parsimony) برقرار سازد. سیستم ارائه شده به دلیل کارایی و دقت بالا، یک راه‌حل عملی و قابل اتکا برای پیاده‌سازی در سیستم‌های احراز هویت در دنیای واقعی، به‌ویژه در پلتفرم‌های با منابع محاسباتی محدود، محسوب می‌شود.

identity recognition based on ear structure based on deep learning

biometric identification, as one of the main pillars of modern security systems, has always faced the challenge of finding a balance between high accuracy and computational efficiency. the structure of the human ear has great potential as a reliable biometric identifier due to its unique and stable characteristics. this study aims to design and evaluate an efficient and accurate system for recognizing identity based on ear structure, and presents a lightweight architecture based on convolutional neural network (cnn). in this study, an optimized cnn model was implemented in the matlab software environment. the proposed architecture is designed for hierarchical learning and extraction of distinctive features from ear images. a comprehensive database was used for validation. the proposed model achieved good performance with 96.5% accuracy, 96.2% recall, and an f?-score of 96.6%. comparative analysis showed that this model not only significantly outperforms classical methods based on manually extracted features (which achieved an accuracy of about 91%), but also competes with the most sophisticated and deep architectures of the day, while being much more computationally efficient. the results of this research prove that a purposeful cnn architecture can strike an optimal balance between high accuracy and computational simplicity. due to its high efficiency and accuracy, the proposed system is considered a practical and reliable solution for implementation in real-world authentication systems, especially on platforms with limited computational resources.