انتخاب ناحیه های کاندید در سیستم های تشخیص و شناسایی اشیاء

در تحقیقات انجام شده در سال های اخیر، بدست آوردن ناحیه های کاندید به عنوان یک مرحله اساسی و مهم در سیستم های تشخیص و شناسایی اشیای موجود در تصویر معرفی شده است. بدست آوردن این ناحیه ها به مانند یک تنگناه بوده و بیشترین بار محاسباتی را در این نوع از سیستم ها دارد. در همین راستا انتخاب روش مناسب و سریع می تواند در بهبود عملکرد سیستم های 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 سیستم های شناسایی قدرتمند معرفی شده است. همچنین در این مقاله به مقایسه و ارزیابی روش های مطرح بر روی مجموعه داده های استاندارد PASCAL VOC، ImageNet و COCO پرداخته شده است. در روش های مورد ارزیابی روش ناحیه کاندید گروه بندی 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 داده های PASCAL VOC 2007، ImageNet 2013 و COCO 2014 نشان داده است.