انتخاب ناحیه های کاندید در سیستم های تشخیص و شناسایی اشیاء

در تحقیقات انجام شده در سال­های اخیر، بدست آوردن ناحیه­های کاندید به عنوان یک مرحله اساسی و مهم در سیستم­های تشخیص و شناسایی اشیای موجود در تصویر معرفی شده است. بدست آوردن این ناحیه­ها به مانند یک تنگناه بوده و بیشترین بار محاسباتی را در این نوع از سیستم­ها دارد. در همین راستا انتخاب روش مناسب و سریع می­تواند در بهبود عملکرد سیستم­های تشخیص بسیار حائز اهمیت باشد. در این مقاله به مرور کارهای انجام شده در این زمینه پرداخته شده است و چندین روش مشهور و محبوب مورد استفاده در سیستم­های شناسایی قدرتمند معرفی شده است. همچنین در این مقاله به مقایسه و ارزیابی روش های مطرح بر روی مجموعه­داده­های استاندارد PASCAL VOC، ImageNet و COCO پرداخته شده است. در روش­های مورد ارزیابی روش ناحیه کاندید گروه­بندی ترکیبی بر پایه چندین مقیاس (MCG) با الگوریتم شناسایی شبکه عصبی کانولوشن بر پایه ناحیه (R-CNN)، بهترین نتایج را داشته است. این روش عملکردی در حدود ۵۷%، ۵۴% و ۴۱% بر روی مجموعه داده­های PASCAL VOC ۲۰۰۷، ImageNet ۲۰۱۳ و COCO ۲۰۱۴ نشان داده است.

کلیدواژه ها:

ناحیه کاندید ، R-CNN سریع ، ابرپیکسل ، شی بودن ، تشخیص و شناسایی اشیاء