Département Electronique
Permanent URI for this communityhdl:123456789/449
Browse
1 results
Search Results
Item Face Recognition Using Deep Learning: A Comparative Study of Custom CNN, VGG16, and ResNet50 on Datasets of Varying Complexity(université de bordj bou arreridj, 2026-06-30) MAHLOUL Nadia; ZIDANI SalssabilLa reconnaissance faciale est l’un des problèmes les plus étudiés dans le domaine de la vision par ordinateur. Malgré les progrès considérables réalisés au cours des dernières décennies, obtenir une reconnaissance faciale fiable dans des conditions réelles non contrôlées demeure un défi majeur. Ce mémoire présente une étude comparative de trois architectures d’apprentissage profond pour la reconnaissance faciale automatique : un réseau de neurones convolutif (CNN) personnalisé entraîné à partir de zéro, ainsi que deux modèles pré-entraînés puis affinés (fine-tuned), à savoir ResNet50 et VGG16. Les expériences ont été menées sur trois bases de données de visages de complexité croissante : Hollywood Faces, CASIA-100 et Bollywood Faces, en utilisant un cadre unifié de prétraitement et d’évaluation afin de garantir une comparaison équitable. Les résultats montrent que VGG16 obtient la meilleure précision sur les ensembles de données contrôlés, tandis que ResNet50 démontre une robustesse supérieure sur les ensembles présentant une plus grande variabilité, mettant en évidence l’efficacité de l’apprentissage résiduel (residual learning) pour les tâches complexes de reconnaissance faciale. Le CNN personnalisé offre des performances compétitives sur les ensembles de données simples, mais présente une capacité de généralisation plus limitée à mesure que la complexité des données augmente. Dans l’ensemble, l’apprentissage par transfert surpasse systématiquement l’entraînement à partir de zéro, confirmant l’importance des représentations pré-entraînées dans les scénarios où les données sont limitées. Cette étude fournit des recommandations pratiques pour le choix des architectures CNN les plus adaptées à la reconnaissance faciale en fonction des différents niveaux de complexité des ensembles de données.