Détection et Identification d’Objets Fond´ee sur la Segmentation par Contour

Abstract

Artificial intelligence has been applied across various domains. Despite its advantages,there are significant limitations that hinder the implementation of artificial intelligence techniques in specific fields and locations. Major concerns include accuracy, the poor quality of gathered data, and processing time, particularly when deploying machine learning techniques on low-end smart devices. In the field of computer vision, advancements in multimedia and visual computing technologies have the potential to revolutionize human life. Many applications utilize captured images from autonomous entities as data sources for various purposes. These images must be interpreted to extract information about their external environment. Researchers in this domain face challenges such as detecting and interpreting the context of these images. The proposed approach introduces a new pipeline that reduces the size of the image in both the input and intermediate layers of a deep learning model by merging pixels based on their standard deviation values rather than processing the entire image. Experimental results demonstrate that this technique significantly enhances the performance of existing text detection methods, especially in challenging scenarios involving low-end IoT devices that offer low contrast or noisy backgrounds. Compared to other techniques, the proposed method can be effectively used for object detection in IoT-gathered multimedia data, achieving reasonable accuracy with short computation times. تم تطبيق الذكاء الاصطناعي في مختلف المجالات. وعلى الرغم من مزاياه، إلا أن هناك قيودًا كبيرة تعيق تنفيذ تقنيات الذكاء الاصطناعي في مجالات ومواقع محددة. وتشمل المخاوف الرئيسية الدقة، ورداءة جودة البيانات المجمعة، ووقت المعالجة، وخاصة عند نشر تقنيات التعلم الآلي على الأجهزة الذكية منخفضة التكلفة. في مجال الرؤية الحاسوبية، تتمتع التطورات في تقنيات الوسائط المتعددة والحوسبة المرئية بإمكانية إحداث ثورة في حياة الإنسان. تستخدم العديد من التطبيقات الصور الملتقطة من كيانات مستقلة كمصدر بيانات لأغراض مختلفة. يجب تفسير هذه الصور لاستخراج معلومات حول بيئتها الخارجية. يواجه الباحثون في هذا المجال تحديات مثل اكتشاف وتفسير سياق هذه الصور. يقدم النهج المقترح خط أنابيب جديدًا يقلل من حجم الصورة في كل من طبقات الإدخال والوسيطة لنموذج التعلم العميق عن طريق دمج وحدات البكسل بناءً على قيم الانحراف المعياري بدلاً من معالجة الصورة بأكملها. توضح النتائج التجريبية أن هذه التقنية تعزز بشكل كبير أداء طرق اكتشاف النص الحالية، وخاصة في السيناريوهات الصعبة التي تنطوي على أجهزة إنترنت الأشياء منخفضة التكلفة التي توفر تباينًا منخفضًا أو خلفيات مشوشة. وبالمقارنة مع التقنيات الأخرى، يمكن استخدام الطريقة المقترحة بشكل فعال لاكتشاف الكائنات في بيانات الوسائط المتعددة التي تم جمعها عبر إنترنت الأشياء، وتحقيق دقة معقولة مع أوقات حسابية قصيرة..