در سال های اخیر ، فناوری Internet-of-Things (IoT) در بسیاری از زمینه های کاربردی از جمله مراقبت های بهداشتی ، نظارت تصویری ، حمل و نقل و غیره مورد استفاده قرار می گیرد. اتخاذ و رشد گسترده IoT در این مناطق تعداد زیادی داده را تولید می کند. به عنوان مثال ، دستگاه های IoT مانند دوربین ها هنگام استفاده از سناریوهای مراقبت بیمارستانی ، تصاویر زیادی را تولید می کنند. در اینجا ، تشخیص چهره عنصر مهمی است که می تواند برای تأمین امکانات بیمارستان ، تشخیص احساسات و تحلیل احساسات بیماران ، تشخیص کلاهبرداری از بیماران و تحلیل الگوی ترافیک بیمارستان مورد استفاده قرار گیرد. سیستم های خودکار و هوشمند تشخیص چهره از دقت بالایی در یک محیط کنترل شده برخوردار هستند. با این حال ، آنها در یک محیط کنترل نشده از دقت کمی برخوردار هستند. همچنین سیستم ها در بسیاری از برنامه های کاربردی از جمله مراقبت های بهداشتی هوشمند باید در زمان واقعی کار کنند. در این مقاله یک مدل عمیق مبتنی بر درخت برای تشخیص خودکار صورت در محیط ابری ارائه شده است. مدل عمیق پیشنهادی بدون به خطر انداختن دقت ، از نظر محاسباتی ارزانتر است. در مدل ، یک حجم ورودی به چندین جلد تقسیم می شود ، جایی که یک درخت برای هر حجم ساخته می شود. درخت با توجه به ضریب انشعاب و ارتفاع آن تعریف می شود. هر شاخه توسط یک تابع باقیمانده ، که توسط یک لایه حلقوی ، عادی سازی دسته ای و یک عملکرد غیر خطی تشکیل شده است ، نشان داده می شود. مدل ارائه شده در بانکهای اطلاعاتی مختلف در دسترس است. مقایسه عملکرد نیز با مدلهای عمیق و پیشرفته برای تشخیص چهره انجام می شود. نتایج آزمایشات نشان می دهد که مدل پیشنهادی به ترتیب در داده های FEI ، ORL و LFW به ترتیب از صحت ۹۸٫۶۵٪ ، ۹۹٫۱۹٪ ، ۸۴/۹۵٪ بدست آمده است.