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 loạivấn đề. Đối với mỗi phương pháp, chúng tôi đề xuất để nhận ra từng đối tượng bằng cách tìm hiểu một một nhị phânloại. 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 các tínhMô tả sẽ được thông qua vào nhị phân loại tương ứng gọi Hiển thị hình 12. Để biết chi tiếtmỗi phương pháp, các độc giả được mời để đọc các bài báo ban đầu.Trong tác phẩm này, chúng tôi đang quan tâm để phát hiện và nhận ra bốn lớp học của những trở ngại: {chậuthực vật, thùng rác, bình, và nhân}. Đào tạo và thử nghiệm phát hiện và công nhậnphương pháp, chúng tôi đã xây dựng một tập dữ liệu có chứa hình ảnh 2104. Độ phân giải hình ảnh là 600 x 400điểm ảnh. Mỗi đối tượng lớp có 526 hình ảnh trong điều kiện ánh sáng ban ngày trong một hành lang của một xây dựng. Điều nàybộ dữ liệu 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 theo cách thủ côngvà tổ chức trong thư mục. Chúng tôi chia cơ sở dữ liệu thành 2 phần: 504 hình ảnh cho đào tạovà 1600 hình ảnh 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 phân loại
vấn đề. Đối với mỗi phương pháp, chúng tôi đề nghị công nhận lẫn đối tượng của một học một 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 thì các tính toán
mô tả sẽ được chuyển vào phân lớp nhị phân tương ứng như hình. 12. Để biết chi
tiết. Của mỗi 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: {chậu
cây, 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. Đây
bộ dữ liệu 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.