ارزیابی کارآیی بازیابی یکی از مسائل بحرانی در امر بازیابی تصویر محتوا محور به شمار می رود،روش های مختلفی برای اندازه گیری کارآیی ابداع و توسط محققین استفاده شده اند ، درoverview and proposals performance evaluation in content based image retrieval در مورد مزیت و مختصر از معیارهای اندازه گیری که در حال حاضر استفاده می شود بحث شده است.
تفاوت بین IR(Information Retrieval) و CBIR(Content Base Image Retrieval)واضح است از آنجایی که محققان IR دهها سال با مشکلات ارزیابی مواجه بوده اند برخی از راه حل های آنها می تواند برای CBIR مورد استفاده قرار گیردبا وجود اینکه تفاوتهایی هم بین آنها وجود دارد.چندین نکته بایستی به منظور ساخت مجموعهتصاویر مرسوم بررسی شوند:1-مجموعه بایستی رایگان و بدون محدودیت کپی رایت باشد بنابراین تصاویر می توانند در وب جای گیرند و قابل دسترس عموم باشند بزرگترین مسئله ساخت یک مجموعه با تصاویر متمایز کافی در موضوعات مختلفی از قبیل ماشین ، چهره ، تصاویر پزشکی و ... می باشد.
روشهای ارزیابی کارآیی :
1- ارزیابی کاربری یک روش کاملا متعامل است که کاربر می تواند مستقیما موفقیت جستجو را داوری نماید.
2- اندازه گیری تک ارزشی :رتبه بهترین تطبیق مورد ارزیابی قرار می گیرد.
3- نمایش گراف
پروفسور حمیدرضا تیزهوش استاد دانشکده مهندسی واترلو از سال 2001 هستند و ایشان سرپرستی آزمایشگاهKnowledge Inference in Medical Image Analysis
را به عهده دارند.و بعنوان محقق در آزمایشگاه سیستمهای هوشمند در دانشگاه تورنتو همکاری خود را آغاز نمودند.زمینه تحقیقاتی ایشان هوش مصنوعی ، بینایی ماشین و تصاویر پزشکی است و همچنین الگوریتم هایی را در زمینه جستجو، قطعه بندی و فیلتر نمودن تصاویر پزشکی بسط داده اند.دکتر تیزهوش بواسطه سازمانهایی همچون NSERC, OCE, FedDev, MITACS, MaRS, HTX, IRAP, ORF-RE از پشتیبانی های خوبی برخوردار شدند و 2 کتاب را تالیف نموده اند و بیش از 140 مقاله علمی در ژورنالهای معتبر ارائه داده اند و همچنین با 5 دفتر بازرگانی همکاری دارند و آثار منتشر شده ایشان چندین لوح تقدیر از مراکز مختلف به خود اختصاص داد. علاوه بر این ایشان از تجربیات صنعتی گسترده ای برخوردار هستند و با چندین شرکت از جمله با سازمانManagement of Intelligent Technologies GmbH در آلمان
و Image Processing Systems Inc. (a Markham-based company acquired by Photon Dynamics Inc. (San Jose, CA)) در کانادا و Medipattern Corporation
(Toronto)در تورنتو همکاری داشته اند و هم اکنون به عنوان مشاور در Huron Digital Pathologyدر کانادا مشغول به کار هستند، بعلاوه اینکه ایشان بیش از ده سال در کار بازرگانی و StartUp تجربه دارند.ایشان در سال 2007 تکنولوژی segasist را درزمینه توسعه نرم افزار قطعه بندی تصاویر رادیولوژی و انکولوژی شروع نمودند و در آمد شرکت تحت سرپرستی ایشان به دو میلیون دلار رسید و همچنین FDA510 را برای تشخیص سرطان پروستات با کمک بیمارستان sunnybrook
و مرکز تشخیص سرطان لندن با موفقیت برنامه ریزی و مدیریت نمودند.
شناسایی چهره در شرایط روشنایی مختلف هنوز بعنوان یک مسئله باز حل نشده می باشد، یکی از چالشهای موجود در دنیای واقعی برای سیستم تشخیص چهره تغییرات روشنایی است، در[Illumination Invariant Face Recognition using SQI and Weighted LBP Histogram]یک رویکرد جدیدی در مقابل تغییرات روشنایی بر پایه SQI و هیستوگرام LBP وزندار معرفی شده است، در این سیستم، کارآیی سیستم با استفاده از مقادیر مختلف سیگما در SQI در تستهای مختلف بالا رفته است، علاوه بر اینکه استفاده از دو عملگر LBP یکنواخت چند ناحیه ای برای استخراج ویژگی همزمان بکار رفته است و سیستم را در برابر تغییرات روشنایی قویتر ساخته است.این رویکرد اطلاعات تصویر را از سطوخ متفاوت محلی و سراسری جمع می نماید.