انتخاب ناحیه‌های کاندیدا در سیستم‌های تشخیص و شناسایی اشیاء

در تحقیقات انجام‌شده در سال‌های اخیر، به‌دست‌آوردن ناحیه‌های کاندیدا به‌عنوان یک مرحلۀ اساسی و مهم در سیستم‌های تشخیص و شناسایی اشیای موجود در تصویر معرفی شده است. به‌دست‌آوردن این ناحیه‌ها مانند یک تنگنا بوده و بیشترین بار محاسباتی را در این نوع از سیستم‌ها دارد.دراین‌خصوص، انتخاب روش مناسب و سریع می‌تواند در بهبود عملکرد سیستم‌های تشخیص بسیار حائز اهمیت باشد. در این مقاله، به مرورِ کارهای انجام‌شده در این زمینه پرداخته شده و چندین روش مشهور و محبوب مورداستفاده در سیستم‌های شناسایی قدرتمند معرفی شده است. همچنین به مقایسه‌ و ارزیابی روش‌های مطرح بر روی مجموعه‌داده‌های استاندارد pascal voc، imagenet و coco پرداخته شده است. در بین روش‌های موردارزیابی، روش ناحیۀ کاندیدا گروه‌بندی ترکیبی بر پایۀ چندین مقیاس (mcg) با الگوریتم شناسایی شبکۀ عصبی کانولوشن بر پایۀ ناحیه (r-cnn)، بهترین نتایج را داشته است. این روش عملکردی در حدود 57درصد، 54درصد و 41درصد بر روی مجموعه‌داده‌های pascal voc 2007، imagenet 2013 و coco 2014 نشان داده است.