ارائه یک روش موثر بازشناسی شیء مبتنی بر هرس کردن احتمالی مشخصه‌های دیداری تصویر در مدل hmax

سیستم بینایی انسان قادر به بازشناسی شِیء در صحنه‌های شلوغ با سرعت و دقت بالاست. مدل‌های زیادی برای بازشناسی شیء با الهام از سیستم بینایی انسان ازجمله مدل hmax معرفی‌شده‌اند. در این تحقیق، روشی موثر با عنوان انتخاب احتمالی hmax (pshmax) برای بازشناسی شیء با حفظ ساختار مدل hmax ارائه شده است. مشکل مدل hmax انتخاب تصادفی تکه‌های تصویر است که سبب استخراج دو دسته از تکه‌های نامطلوب می‌شود. دسته اول تکه‌هایی با اطلاعات کم که بدون تولید خروجی مفید، بار محاسباتی سیستم را افزایش می‌دهند و دسته دوم تکه‌هایی با اطلاعات غیرمفید از پس‌زمینه که باعث تولید خروجی اشتباه می‌شوند. در مدل پیشنهادی، تکه‌هایی شامل اطلاعات حداکثری مفید با رویکرد تصادفی در دو مرحله استخراج می‌شوند: مرحله اول ایجاد استخری از تکه‌های شامل بیشترین اطلاعات و مرحله دوم استخراج تکه‌های شامل اطلاعات مفیدتر و بهینه از استخر. برای ارزیابی، نرخ بازشناسی روش پیشنهادی با مدل hmax و سایر روش‌های جدید توسعه‌یافته آن روی پایگاه‌های داده caltech5 و caltech101 مقایسه شده است. نتایج حاصل نشانگر برتری روش پیشنهادی است.

New Effective Method for Object Recognition based on Probabilistic Pruning of Visual Characteristics in HMAX

The human visual system (HVS) recognizes object in the crowded scenes with high speed and accuracy. So far, many object recognition models based on HVS, like HMAX, have been developed. In this paper, the new effective method based on HMAX is proposed called Probabilistic Selection HMAX (PSHMAX). HMAX main problem is random patch extraction which extracts two useless patches. First, patches involving low information that cause more computational complexity with no useful result. Second, patches with wrong information from background that produce wrong output. In the proposed method, the optimum patches involving maximum useful information are extracted in the random way which has two steps: first is producing poll of patches involving maximum information, second is patches extracting with useful information from poll. To evaluate the proposed method, we apply it to object categorization and conduct experiment on the Caltech5 and Caltech101 databases. Results demonstrate that the proposed method has a higher performance than the HMAX and existing architectures having a similar framework.