論文の概要: Automating Attendance Management in Human Resources: A Design Science Approach Using Computer Vision and Facial Recognition
- arxiv url: http://arxiv.org/abs/2405.12633v1
- Date: Tue, 21 May 2024 09:38:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-22 13:49:12.098703
- Title: Automating Attendance Management in Human Resources: A Design Science Approach Using Computer Vision and Facial Recognition
- Title(参考訳): 人的資源における顧客管理の自動化:コンピュータビジョンと顔認識を用いたデザインサイエンスアプローチ
- Authors: Bao-Thien Nguyen-Tat, Minh-Quoc Bui, Vuong M. Ngo,
- Abstract要約: Haar Cascadeは、画像やビデオ中のオブジェクトを検出するための、費用対効果の高い機械学習ベースのアルゴリズムである。
NVIDIA Jetson Nanoのような組み込みコンピュータ上でHaar CascadeとOpenCV2を組み合わせることで、データベース内の顔を正確に検出し、マッチングすることで、出席者追跡を行うことができる。
- 参考スコア(独自算出の注目度): 0.5898893619901381
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Haar Cascade is a cost-effective and user-friendly machine learning-based algorithm for detecting objects in images and videos. Unlike Deep Learning algorithms, which typically require significant resources and expensive computing costs, it uses simple image processing techniques like edge detection and Haar features that are easy to comprehend and implement. By combining Haar Cascade with OpenCV2 on an embedded computer like the NVIDIA Jetson Nano, this system can accurately detect and match faces in a database for attendance tracking. This system aims to achieve several specific objectives that set it apart from existing solutions. It leverages Haar Cascade, enriched with carefully selected Haar features, such as Haar-like wavelets, and employs advanced edge detection techniques. These techniques enable precise face detection and matching in both images and videos, contributing to high accuracy and robust performance. By doing so, it minimizes manual intervention and reduces errors, thereby strengthening accountability. Additionally, the integration of OpenCV2 and the NVIDIA Jetson Nano optimizes processing efficiency, making it suitable for resource-constrained environments. This system caters to a diverse range of educational institutions, including schools, colleges, vocational training centers, and various workplace settings such as small businesses, offices, and factories. ... The system's affordability and efficiency democratize attendance management technology, making it accessible to a broader audience. Consequently, it has the potential to transform attendance tracking and management practices, ultimately leading to heightened productivity and accountability. In conclusion, this system represents a groundbreaking approach to attendance tracking and management...
- Abstract(参考訳): Haar Cascadeはコスト効率が高くユーザフレンドリーな機械学習ベースのアルゴリズムで、画像やビデオ中のオブジェクトを検出する。
通常、かなりのリソースと高価な計算コストを必要とするディープラーニングアルゴリズムとは異なり、エッジ検出やHaar機能といった単純な画像処理技術を使って、理解し、実装し易い。
NVIDIA Jetson Nanoのような組み込みコンピュータ上でHaar CascadeとOpenCV2を組み合わせることで、データベース内の顔を正確に検出し、マッチングすることで、出席者追跡を行うことができる。
本システムは,既存のソリューションとは切り離された,いくつかの特定の目的を達成することを目的としている。
ハールカスケードを利用しており、ハールのようなウェーブレットのような慎重に選択されたハールの特徴に富み、先進的なエッジ検出技術を採用している。
これらの技術は、画像とビデオの両方の正確な顔検出とマッチングを可能にし、高い精度とロバストなパフォーマンスに寄与する。
これにより、手動による介入を最小限に抑え、エラーを減らし、説明責任を強化する。
さらに、OpenCV2とNVIDIA Jetson Nanoの統合は、処理効率を最適化し、リソース制約のある環境に適している。
この制度は、学校、大学、職業訓練センター、小規模企業、オフィス、工場など様々な職場環境を含む多様な教育機関を対象とする。
はぁ...。
システムの価値と効率は、出席者管理技術を民主化し、より広い聴衆に利用できるようにする。
その結果、出席者の追跡とマネジメントのプラクティスを変える可能性があり、最終的には生産性と説明責任が向上します。
結論として、このシステムは、出席者の追跡と管理に対する画期的なアプローチである。
関連論文リスト
- Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。
ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。
新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
論文 参考訳(メタデータ) (2023-08-27T03:55:28Z) - Agile gesture recognition for capacitive sensing devices: adapting
on-the-job [55.40855017016652]
本システムでは, コンデンサセンサからの信号を手の動き認識器に組み込んだ手動作認識システムを提案する。
コントローラは、着用者5本の指それぞれからリアルタイム信号を生成する。
機械学習技術を用いて時系列信号を解析し,500ms以内で5本の指を表現できる3つの特徴を同定する。
論文 参考訳(メタデータ) (2023-05-12T17:24:02Z) - Machine Learning Computer Vision Applications for Spatial AI Object
Recognition in Orange County, California [4.089055556130725]
カリフォルニア州オレンジ郡において,AI機械学習とコンピュータビジョンアルゴリズムを用いた空間オブジェクト認識と位置検出を統合的かつ体系的に自動化する手法を提案する。
本稿では,多センサ・高分解能フィールドデータ取得のための包括的方法論と,ポストフィールド処理およびプレアナライザ処理タスクについて述べる。
オレンジ郡の2つの領域にまたがる光球画像における800万以上の濃度方向のアプリケーション処理の例を示し、停止信号および消火栓物体認識のための検出結果を示す。
論文 参考訳(メタデータ) (2023-03-14T00:57:11Z) - TransPath: Learning Heuristics For Grid-Based Pathfinding via
Transformers [64.88759709443819]
探索の効率を顕著に向上させると考えられる,インスタンス依存のプロキシを学習することを提案する。
私たちが最初に学ぶことを提案するプロキシは、補正係数、すなわち、インスタンスに依存しないコスト・ツー・ゴの見積もりと完璧な見積もりの比率である。
第2のプロキシはパス確率であり、グリッドセルが最も短いパスに横たわっている可能性を示している。
論文 参考訳(メタデータ) (2022-12-22T14:26:11Z) - Design of Convolutional Extreme Learning Machines for Vision-Based
Navigation Around Small Bodies [0.0]
畳み込みニューラルネットワークのようなディープラーニングアーキテクチャは、画像処理タスクにおけるコンピュータビジョンの標準である。
しかし、その正確さは、しばしば、長く計算的に高価なトレーニングのコストがかかる。
畳み込み極端学習マシンと呼ばれる別の手法は、トレーニング時間の劇的な減少と同等に機能する可能性を示している。
論文 参考訳(メタデータ) (2022-10-28T16:24:21Z) - Enable Deep Learning on Mobile Devices: Methods, Systems, and
Applications [46.97774949613859]
ディープニューラルネットワーク(DNN)は人工知能(AI)分野において前例のない成功を収めた
しかし、それらの優れた性能は、計算の複雑さのかなりのコストを伴っている。
本稿では,効率的なディープラーニング手法,システム,応用について概説する。
論文 参考訳(メタデータ) (2022-04-25T16:52:48Z) - ASHA: Assistive Teleoperation via Human-in-the-Loop Reinforcement
Learning [91.58711082348293]
オンラインユーザからのフィードバックからシステムのパフォーマンスに関する強化学習は、この問題に対する自然な解決策である。
このアプローチでは、特にフィードバックが不足している場合には、ループ内の大量のトレーニングデータが必要になる傾向があります。
疎いユーザフィードバックから効率的に学習する階層型ソリューションを提案する。
論文 参考訳(メタデータ) (2022-02-05T02:01:19Z) - Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
3D MOT問題に対する統一型学習型アプローチを提案します。
我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。
AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
論文 参考訳(メタデータ) (2021-04-23T17:59:28Z) - Fast Object Segmentation Learning with Kernel-based Methods for Robotics [21.48920421574167]
オブジェクトセグメンテーションは、把握やオブジェクト操作といったタスクを実行するロボットの視覚システムにおいて重要なコンポーネントである。
本稿では,オブジェクトセグメンテーションのための新しいアーキテクチャを提案する。これはこの問題を克服し,最先端の手法で必要とされる時間に匹敵する性能を提供する。
本手法はコンピュータビジョンとロボティクスのコミュニティで広く採用されているYCB-Videoデータセットで検証されている。
論文 参考訳(メタデータ) (2020-11-25T15:07:39Z) - Accelerating Deep Learning Applications in Space [0.0]
拘束デバイス上でのCNNを用いた物体検出の性能について検討する。
我々は、Single Shot MultiBox Detector (SSD)とリージョンベースのFully Convolutional Network (R-FCN)について詳しく検討する。
性能は、推測時間、メモリ消費、精度で測定される。
論文 参考訳(メタデータ) (2020-07-21T21:06:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。