انتخاب ناحیه‌های کاندید در سیستم‌های تشخیص و شناسایی اشیاء

نویسندگان

دانشگاه صنعتی شاهرود

چکیده

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 روش‌های 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 57%، 54% و 41% بر روی مجموعه داده­های PASCAL VOC 2007، ImageNet 2013 و COCO 2014 نشان داده است.

کلیدواژه‌ها


عنوان مقاله [English]

Regions Proposal Selection in Objects Detection and Recogntion Systems

چکیده [English]

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.

کلیدواژه‌ها [English]

  • Region Proposal
  • R-CNN
  • Superpixel
  • Objectness
  • Objects Detection and Recognition