As aforementioned, these methods ar

As aforementioned, these methods are studied due to their effectiveness in classification problem. For each method, we proposed to recognize each object by a learning a binary classifier. At classification phase, sliding window technique is used to scan the whole image;each window candidate will be passed through feature extraction module then the computed descriptor will be passed into the corresponding binary classifier as shown Fig. 12. For details of each method, the readers are invited to read the original papers

In this work, we are interested to detect and recognize four classes of obstacles: {Potted plant, Trash, Extinguisher, and Human}. For training and testing detection and recognition methods, we have built a dataset containing 2104 images. The resolution of images is 600x400 pixels. Each object class has 526 images under daylight condition in a corridor of a build. This dataset is very challenge because objects are taken under different views point and distances. Some examples are presented in the Fig. 13. All images in the database are annotated manually and organized in the directory. We divide the database into 2 parts: 504 images for training and 1600 images for testing.

Kết quả (Việt) 1:

Như đã nói ở trên, những phương pháp này được nghiên cứu do hiệu quả của họ trong phân loại vấn đề. Đối với mỗi phương pháp, chúng tôi đề xuất để nhận ra từng đối tượng bằng cách học hỏi một nhị phân loại. Ở giai đoạn phân loại, trượt cửa sổ kỹ thuật được sử dụng để quét toàn bộ ảnh; mỗi ứng cử viên cửa sổ sẽ được thông qua thông qua tính năng khai thác mô-đun sau đó mô tả tính sẽ được thông qua vào nhị phân loại tương ứng gọi Hiển thị hình 12. Chi tiết về mỗi phương pháp, các độc giả được mời để đọc các bài báo ban đầuTrong tác phẩm này, chúng tôi đang quan tâm để phát hiện và nhận ra bốn lớp học của những trở ngại: {chậu cây trồng, thùng rác, bình và nhân}. Đối với đào tạo và thử nghiệm phát hiện và phương pháp công nhận, chúng tôi đã xây dựng một tập dữ liệu có chứa hình ảnh 2104. Độ phân giải hình ảnh là 600 x 400 pixel. Mỗi đối tượng lớp có 526 hình ảnh trong điều kiện ánh sáng ban ngày trong một hành lang của một xây dựng. Số liệu này là rất thách thức bởi vì các đối tượng được thực hiện theo các quan điểm khác nhau điểm và khoảng cách. Một số ví dụ được trình bày trong hình 13. Tất cả hình ảnh trong cơ sở dữ liệu được chú thích bằng tay và tổ chức trong thư mục. Chúng tôi chia cơ sở dữ liệu thành 2 phần: 504 hình ảnh cho hình ảnh đào tạo và 1600 để thử nghiệm.

Kết quả (Việt) 2:

Như đã nói ở trên, các phương pháp này được nghiên cứu do hiệu quả của họ trong vấn đề phân loại. Đối với mỗi phương pháp, chúng tôi đề nghị công nhận lẫn đối tượng của một học một phân lớp nhị phân. Ở giai đoạn phân loại, kỹ thuật trượt cửa sổ được sử dụng để quét toàn bộ hình ảnh, mỗi ứng cử viên cửa sổ sẽ được chuyển qua mô-đun tính năng khai thác sau đó mô tả tính sẽ được chuyển vào phân lớp nhị phân tương ứng như hình. 12. Đối với các chi tiết của từng phương pháp, các độc giả được mời đọc báo ban đầu Trong công trình này, chúng tôi đang quan tâm để phát hiện và nhận ra bốn lớp của những trở ngại: {cây chậu, Thùng rác, chữa cháy và Nhân}. Đối với đào tạo và kiểm tra phát hiện và nhận dạng các phương pháp, chúng tôi đã xây dựng được một tập dữ liệu chứa 2.104 hình ảnh. Độ phân giải của hình ảnh là 600x400 pixel. Mỗi lớp đối tượng có 526 hình ảnh trong điều kiện ánh sáng ban ngày trong một hành lang của một xây dựng. Bộ dữ liệu này là rất thách thức vì các đối tượng được lấy theo điểm nhìn khác nhau và khoảng cách. Một số ví dụ được thể hiện trong hình. 13. Tất cả các hình ảnh trong cơ sở dữ liệu được chú thích bằng tay và tổ chức trong các thư mục. Chúng tôi chia các cơ sở dữ liệu thành 2 phần: 504 hình ảnh cho đào tạo và 1600 hình ảnh để thử nghiệm.