انتخاب ناحيه هاي كانديدا در سيستم هاي تشخيص و شناسايي اشياء

Regions Proposal Selection in Objects Detection and Recogntion Systems

در تحقيقات انجام شده در سال­هاي اخير، بدست آوردن ناحيه­ هاي كانديد به عنوان يك مرحله اساسي و مهم در سيستم­ هاي تشخيص و شناسايي اشياي موجود در تصوير معرفي شده است. بدست آوردن اين ناحيه­ ها به مانند يك تنگناه بوده و بيشترين بار محاسباتي را در اين نوع از سيستم ­ها دارد. در همين راستا انتخاب روش مناسب و سريع مي­ تواند در بهبود عملكرد سيستم­ هاي تشخيص بسيار حائز اهميت باشد. در اين مقاله به مرور كارهاي انجام شده در اين زمينه پرداخته شده است و چندين روش مشهور و محبوب مورد استفاده در سيستم­ هاي شناسايي قدرتمند معرفي شده است. همچنين در اين مقاله به مقايسه‌ و ارزيابي روش‌هاي مطرح بر روي مجموعه ­داده­ هاي استاندارد PASCAL VOC، ImageNet و COCO پرداخته شده است. در روش ­هاي مورد ارزيابي روش ناحيه كانديد گروه­ بندي تركيبي بر پايه چندين مقياس (MCG) با الگوريتم شناسايي شبكه عصبي كانولوشن بر پايه ناحيه (R-CNN)، بهترين نتايج را داشته است. اين روش عملكردي در حدود 57%، 54% و 41% بر روي مجموعه داده­ هاي PASCAL VOC 2007، ImageNet 2013 و COCO 2014 نشان داده است.

According to the studies carried out in recent years, determination of the regional proposal is one of the crucial steps in detection and recognition of the objects included in an image. In fact, determination of this region has been like a bottleneck, gaining a significant computational energy. As a result, selection of suitable and fast approaches, under these circumstance, may enhance the performance of the recognition system. In this paper, a review was provided on the recent studies carried out in this field of research and few of the famous and friendly approaches conventionally used in the strong recognition systems were introduced and applied on the dataset of PASCAL VOC, ImageNet and COCO. The results obtained indicated that the multiclass combinatorial grouping (MCG) method with the region-convoulational neural network (R-CNN) can provide the best results with the efficiency of 57%, 54% and 41% on the dataset of PASCAL VOC 2007, ImageNet 2013 and COCO 2014 respectively.