فاطمه شجاع الدینی - فارغ التحصیل دانشگاه شهید باهنر کرمان، دانشکده ریاضی و کامپیوتر

شناسایی و تفکیک اجسام یکی از موضوعات مهم در حوزه هوش مصنوعی و بینایی کامپیوتری است. با پیشرفت تکنولوژی یادگیری عمیق، دقت این فرآیند به طور چشمگیری افزایش یافته است. این مقاله به بررسی جامع و دقیق الگوریتمها و شبکه های عصبی مورد استفاده در شناسایی و تفکیک اجسام، از جمله شبکه های عصبی کانولوشنی((CNN ، شبکه های عصبی بازگشتی (RNN) و مدلهای پیشرفته نظیر YOLO وFaster R-CNN ، میپردازد. استفاده از این الگوریتمها به گسترش بهتر هوش مصنوعی در زمینه شناسایی و تفکیک اجسام کمک شایانی میکند. شبکه های عصبی کانولوشنی (CNN) با توانایی بالای خود در تشخیص ویژگیهای پیچیده تصاویر، شبکه های عصبی بازگشتی (RNN) با قابلیت تحلیل توالیهای زمانی و مدلهای پیشرفته نظیر YOLO و Faster R-CNN با سرعت و دقت بالای شناسایی، همگی نقش مهمی در بهبودوتسریع فرآیندهای شناسایی و تفکیک اجسام دارند. این الگوریتمها باعث میشوند سیستمهای هوش مصنوعی بتوانند با دقتوکارایی بیشتری در محیطهای مختلف عمل کنند و کاربردهای وسیعتری در صنایع مختلف پیداکنند.

هوش مصنوعی، یادگیری عمیق، شناسایی اجسام، تفکیک اجسام، شبکه های عصبی کانولوشن