اثر انگشت بیومتریکی است که به دلیل ویژگی‌های منحصر به فردش، بیشترین کاربرد را در سیستم‌های تشخیص و تعیین هویت داشته است. در سیستم‌های تعیین هویت، تصویر ورودی با تمام تصاویر ثبت‌شده در پایگاه مقایسه می‌گردد و در صورتی که پایگاه داده حجیم باشد، عمل مقایسه بسیار زمان‌بر خواهد بود. برای نمونه می‌توان به پایگاه‌های داده موجود در FBI اشاره نمود. یکی از راه حل‌های تأییدشده برای افزایش سرعت، طبقه‌بندی تصاویر است. در طبقه‌بندی مطلق، به هر اثر انگشت تنها یک کلاس تخصیص می‌یابد. دلایل مختلفی چون نویز یا عدم وجود همه نقاط یکتا در محدوده تصویر، تعیین یک کلاس مطلق برای همه تصاویر را دچار مشکل می‌کند. در این مقاله، روشی جدید بر پایه طبقه‌بندی احتمالی ارائه شده که برای هر تصویر ورودی، مجموعه‌ای از کلاس‌ها مشخص می‌شود که هر یک دارای یک احتمال می‌باشند. در مرحله انطباق، کلاس‌ها به ترتیب اولویتشان جستجو می‌شوند. آزمایشات صورت‌گرفته بر روی پایگاه داده شناخته‌شده 2002 FVC، تأثیر استفاده از طبقه‌بندی احتمالی را به روشنی نشان داده است. با در نظر گرفتن کلاس‌های دوم و سوم تعیین‌شده توسط روش پیشنهادی، دقت شناسایی سیستم تقریباً 18% افزایش یافته است، در صورتی که سرعت آن، 2 تا 3 برابر بیشتر از طبقه‌بندی مطلق می‌باشد. Manuscript profile

در دهه اخیر، مطالعات بسیاری بر روی طبقه‌بندی دانه‌ریز اشیا صورت گرفته است. در این نوع طبقه‌بندی گروه کلی شیء مشخص بوده و هدف تعیین زیرگروه دقیق آن است و شناسایی نوع و مدل وسیله نقلیه (VMMR) نیز در این حوزه قرار می‌گیرد. این مسئله به دلیل وجود تعداد کلاس‌های زیاد، تفاوت درون کلاسی بسیار و تفاوت بین کلاسی کم از مسایل طبقه‌بندی دشوار به شمار می‌رود. علاوه بر این معمولاً سرعت سیستم‌های شناسایی اشیا با افزایش دقت، کاهش می‌یابد و چنان که می‌بینیم یکی از چالش‌های مهم در شبکه‌های عصبی عمیق به عنوان یک ابزار قدرتمند بینایی ماشین، سرعت پردازش است. در این مقاله ابتدا روشی مبتنی بر بخش برای شناسایی نوع و مدل خودرو مختصراً معرفی می‌گردد و سپس یک الگوریتم آبشاری برای بهبود توأمان سرعت و دقت این سیستم ارائه می‌شود. الگوریتم آبشاری پیشنهادی، طبقه‌بندهای موجود در سیستم را به صورت ترتیبی به تصویر ورودی اعمال کرده تا از حجم پردازش بکاهد. چند معیار مناسب برای رسیدن به یک ترتیب کارا از طبقه‌بندها معرفی شده و در نهایت ترکیبی از آنها در الگوریتم پیشنهادی به کار گرفته شده است. نتیجه آزمایشات انجام‌شده بر روی مجموعه داده کاملاً متفاوت BVMMR و CompCars، نشان از دقت بالای سیستم شناسایی نوع و مدل خودرو دارد. پس از اعمال الگوریتم آبشاری به سیستم مورد بحث، سرعت پردازش تا 80% افزایش یافته است در حالی که دقت سیستم تنها کاهش جزئی داشته است. Manuscript profile

در دهه اخیر، مطالعات بسیاری بر روی طبقه‌بندی دانه‌ریز اشیا صورت گرفته است. در این نوع طبقه‌بندی گروه کلی شیء مشخص بوده و هدف تعیین زیرگروه دقیق آن است و شناسایی نوع و مدل وسیله نقلیه (VMMR) نیز در این حوزه قرار می‌گیرد. این مسئله به دلیل وجود تعداد کلاس‌های زیاد، تفاوت درون کلاسی بسیار و تفاوت بین کلاسی کم از مسایل طبقه‌بندی دشوار به شمار می‌رود. علاوه بر این معمولاً سرعت سیستم‌های شناسایی اشیا با افزایش دقت، کاهش می‌یابد و چنان که می‌بینیم یکی از چالش‌های مهم در شبکه‌های عصبی عمیق به عنوان یک ابزار قدرتمند بینایی ماشین، سرعت پردازش است. در این مقاله ابتدا روشی مبتنی بر بخش برای شناسایی نوع و مدل خودرو مختصراً معرفی می‌گردد و سپس یک الگوریتم آبشاری برای بهبود توأمان سرعت و دقت این سیستم ارائه می‌شود. الگوریتم آبشاری پیشنهادی، طبقه‌بندهای موجود در سیستم را به صورت ترتیبی به تصویر ورودی اعمال کرده تا از حجم پردازش بکاهد. چند معیار مناسب برای رسیدن به یک ترتیب کارا از طبقه‌بندها معرفی شده و در نهایت ترکیبی از آنها در الگوریتم پیشنهادی به کار گرفته شده است. نتیجه آزمایشات انجام‌شده بر روی مجموعه داده کاملاً متفاوت BVMMR و CompCars، نشان از دقت بالای سیستم شناسایی نوع و مدل خودرو دارد. پس از اعمال الگوریتم آبشاری به سیستم مورد بحث، سرعت پردازش تا 80% افزایش یافته است در حالی که دقت سیستم تنها کاهش جزئی داشته است. Manuscript profile