moaminsharifi/table-en.md

## table-en.md

      
    Raw
  

              table-en.md
            
          
Algorithm
Features
Prediction time / image
Limitations


CNN
Divides the image into multiple regions and then classify each region into various classes.
–
Needs a lot of regions to predict accurately and hence high computation time.


RCNN
Uses selective search to generate regions. Extracts around 2000 regions from each image.
40-50 seconds
High computation time as each region is passed to the CNN separately also it uses three different model for making predictions.


Fast RCNN
Each image is passed only once to the CNN and feature maps are extracted. Selective search is used on these maps to generate predictions. Combines all the three models used in RCNN together.
2 seconds
Selective search is slow and hence computation time is still high.


Faster RCNN
Replaces the selective search method with region proposal network which made the algorithm much faster.
0.2 seconds
Object proposal takes time and as there are different systems working one after the other, the performance of systems depends on how the previous system has performed.


## table-fa.md

      
    Raw
  

              table-fa.md
            
          
الگوریتم
ویژگی ها
سرعت اجرا به ازای هر عکس
محدودیت ها


CNN
تقسیم تصویر به چند بخش و دسته بندی هر بخش به صورت جداگانه
–
نیاز به بخش های زیادی برای ارائه دقت بهتر و کندی بیش از حد


RCNN
استفاده از جستجوی انتخابی برای ساخت بخش ها, استخراج ۲۰۰۰ بخش از هر عکس
40-50 ثانیه
نیازمند پردازش زیاد وقتی که هر بخش به صورت جداگانه به CNN داده میشود واز مدل های مختلف برای پیش بینی استفاده میکند.


Fast RCNN
هر تصویر فقط یک بار به شبکه CNN. همه اون سه مدل مورد استفاده در RCNN  را با هم ترکیب میکند ارسال میشود و فیچر مپ استخراج میشود. جستجوی انتخابی برای برای این مپ ها استفاده میشود تا پیش بینی را انجام دهد
2 ثانیه
جستجوی انتخابی هنوز هم کند و از لحاظ سخت افزاری هزینه تر است.


Faster RCNN
با جایگزینی شبکه پیشنهاد دهنده بخش با جستجوی انتخابی میتوان الگوریتم را سریع تر کرد.
0.2 ثایه
پیشنهاد شی زمان بر هست و سیستم های مختلف یکی پس از دیگری کار میکنند ( به صورت توالی) که این باعث میشود کارایی کلی سیستم وابسته به توالی بین لایه ها داشته باشد.
Algorithm	Features	Prediction time / image	Limitations
CNN	Divides the image into multiple regions and then classify each region into various classes.	–	Needs a lot of regions to predict accurately and hence high computation time.
RCNN	Uses selective search to generate regions. Extracts around 2000 regions from each image.	40-50 seconds	High computation time as each region is passed to the CNN separately also it uses three different model for making predictions.
Fast RCNN	Each image is passed only once to the CNN and feature maps are extracted. Selective search is used on these maps to generate predictions. Combines all the three models used in RCNN together.	2 seconds	Selective search is slow and hence computation time is still high.
Faster RCNN	Replaces the selective search method with region proposal network which made the algorithm much faster.	0.2 seconds	Object proposal takes time and as there are different systems working one after the other, the performance of systems depends on how the previous system has performed.
الگوریتم	ویژگی ها	سرعت اجرا به ازای هر عکس	محدودیت ها
CNN	تقسیم تصویر به چند بخش و دسته بندی هر بخش به صورت جداگانه	–	نیاز به بخش های زیادی برای ارائه دقت بهتر و کندی بیش از حد
RCNN	استفاده از جستجوی انتخابی برای ساخت بخش ها, استخراج ۲۰۰۰ بخش از هر عکس	40-50 ثانیه	نیازمند پردازش زیاد وقتی که هر بخش به صورت جداگانه به CNN داده میشود واز مدل های مختلف برای پیش بینی استفاده میکند.
Fast RCNN	هر تصویر فقط یک بار به شبکه CNN. همه اون سه مدل مورد استفاده در RCNN را با هم ترکیب میکند ارسال میشود و فیچر مپ استخراج میشود. جستجوی انتخابی برای برای این مپ ها استفاده میشود تا پیش بینی را انجام دهد	2 ثانیه	جستجوی انتخابی هنوز هم کند و از لحاظ سخت افزاری هزینه تر است.
Faster RCNN	با جایگزینی شبکه پیشنهاد دهنده بخش با جستجوی انتخابی میتوان الگوریتم را سریع تر کرد.	0.2 ثایه	پیشنهاد شی زمان بر هست و سیستم های مختلف یکی پس از دیگری کار میکنند ( به صورت توالی) که این باعث میشود کارایی کلی سیستم وابسته به توالی بین لایه ها داشته باشد.