Rapport sur les Méthodes Avancées de
Reconnaissance Faciale
Sene Madjiguene
Résumé
Ce rapport présente un cadre exhaustif pour l’amélioration des systèmes de reconnaissance
faciale en exploitant des approches de deep learning. Les contributions principales inclu-
ent des modèles hybrides de réseaux de neurones convolutifs (CNN), des techniques avancées
d’apprentissage, et des analyses de textures faciales.
Contributions Principales
• Modèles hybrides de CNN : Des architectures comme HRResAlex-Net et HRResXtCBAMAlex-
Net, combinant ResNet, AlexNet et CBAM, ont permis d’atteindre une précision de 100 %
sur des bases de données faciales telles que YaleFace et AR Face, surpassant les modèles
classiques.
• Taux d’apprentissage dynamique (DLR) : Cette méthode ajuste automatiquement
les poids des modèles pendant l’entraı̂nement, accélérant la convergence et atteignant une
précision de 99,65 % sur des données 3D.
• Analyse des textures faciales : Les méthodes LNLBP et WLNLBP, basées sur des
interpolations linéaires, ont amélioré l’analyse des textures fines avec une précision at-
teignant 99 %.
• Localisation faciale et interprétabilité : L’utilisation de techniques GradCAM et
ScoreCAM a permis de visualiser les régions activées des images faciales, améliorant ainsi
la compréhension et la performance des modèles.
Perspectives
• Développer des modèles légers de CNN pour les systèmes embarqués en temps réel.
• Exploiter l’apprentissage par transfert pour les données faciales 3D, réduisant le temps
d’entraı̂nement tout en maintenant une haute précision.
• Créer de nouvelles bases de données synthétiques pour tester les performances des modèles
sur des images partiellement occluses ou floues.
1
Conclusion
En combinant des architectures avancées, des techniques de fusion et d’apprentissage adaptatif,
ce travail établit une base solide pour les systèmes de reconnaissance faciale robustes et per-
formants. Ces contributions ouvrent des perspectives intéressantes pour des applications dans
des environnements variés et complexes.