مقایسه الگوریتم های تشخیص اشیاء YOLO ، RCNN و HOG

تشخیص اشیاء یک کار بینایی ماشین مهم است که برای شناسایی نمونه هایی از اشیاء بصری کلاس های خاص (مثلا انسانها، حیوانات، اتومبیلها یا ساختمانها) در تصاویر دیجیتالی مانند عکسها یا فری مها ی ویدیو استفاده میشو د. هدف از تشخیص اش یاء، توسعه مدلهای محاسباتی است که اساسیترین اطلاعات مورد نیاز برنامه های بی نایی ماشین را ارائه میکند و همچنین افزودن درک تصاویر همانند انسان به رایانه میباشد. حال چالش موجود این میباشد که کدام یک از الگوریتمهای تشخیص اشیاء عملکرد قابل قبولی از نظر دقت و زمان پاسخ را دارد. پژوهشگران دیگر نیز ای ن موضوع را برای الگوریتمهای تشخیص اشیاء که از فناوری شبکه عصبی بهرهمند میباشند مورد بحث و بررسی قرار دادهاند و به نتایج قابل قبولی رسیده اند. حال ما درنظر داریم الگوریت مهایی که از فناوری شبکه عصبی استفاده میکنند را با الگوریتمهایی که از این فناوری استفاده نمیکنند را مورد بحث و بررسی قرار دهیم. در این مقاله ما به این نتیجه میرسیم که الگوریتمهایی که از فناوری شبکه عصبی و یادگیری عمیق را استفاده میکنند نیازمند قدرت محاسباتی بالا هستند به تبع زمان پاسخ آ نها پایین و از دقت بالایی در تشخیص اشیاء برخور دار هستند.

کلیدواژه ها:

تشخیص اشیاء ، بینایی ماشین ، شبکه عصبی ، یادگیری عمیق