Rats and mice have a tendency to interact more with a novel object than with a familiar object. This tendency has been used by behavioural pharmacologists and neuroscientists to study learning and memory. A popular protocol for such research is the object-recognition task. Animals are first placed in an apparatus and allowed to explore an object. After a prescribed interval, the animal is returned to the apparatus, which now contains the familiar object and a novel object. Object recognition is distinguished by more time spent interacting with the novel object. Although the exact processes that underlie this 'recognition memory' requires further elucidation, this method has been used to study mutant mice, aging deficits, drug exposure . This study has been conducted to optimize this method by using different objects at different times. The results are shown by using small objects in different colures and shapes in 4 hours better than large ones in other times, which I recommend to Object Recognition Task.

تميل الجرذان والفئران مع الهدف الجديد بشكل أكثر من الهدف المأهول أو المعتاد؛ وهذا الميل استخدم من قبل علماء السلوك الدوائي والعصبي لدراسة التعلم والذاكرة. أن الصيغة المعروفة لهذا النوع من البحوث هو اختبار تمييز الهدف Object recognition task . أولا، توضع حيوانات التجربة في آلة الاختبار ويسمح لها باستكشاف الهدف ، وبعد فترة زمنية موصوفة للاسترجاع، تعاد حيوانات التجربة إلى آلة الاختبار التي تحتوي الهدف المأهول أو الذي شاهدته الحيوانات سابقا مع هدف جديد لم تستكشفه حيوانات التجربة سابقا. دالة تمييز الهدف تعرف من خلال أكثر فترة لبقاء حيوانات التجربة مستكشفة ومتفاعلة مع الهدف الجديد. بالرغم من أن العمليات الدقيقة التي توضح ذاكرة التميز تتطلب شرحا أكثر؛ نجد الانتشار الواسع لهذه الطريقة في مجال دراسات الفئران المطفره جينيا، واختبارات التعرض للأدوية . أجريت هذه الدراسة لتقويض هذه الطريقة وتثقيفها باستخدام أهداف مختلفة بأوقات مختلفة . أظهرت نتائج البحث أن استخدام الأهداف الصغيرة بأشكال وألوان مختلفة بفترة استرجاع أربع ساعات هي أفضل من استخدام الأهداف الكبيرة بأوقات استرجاع مختلفة.

Recognition memory --- Object recognition task

Bin picking robots require vision sensors capable of recognizing objects in the binirrespective of the orientation and pose of the objects inside the bin. Bin picking systems arestill a challenge to the robot vision research community due to the complexity of segmenting ofoccluded industrial objects as well as recognizing the segmented objects which have irregularshapes. The problem becomes more complex when these objects look like entirely differentobjects in various orientations. In this paper a simple object recognition method is presentedusing singular value decomposition of the object image matrix and a functional link neuralnetwork for a bin picking vision system. The results of the functional link net are comparedwith that of a simple feed forward net. The network is trained using the error back propagationprocedure. The proposed method is robust for recognition of objects.

تتطلب منضو مات الالتقاط من الصنادیق استعمال منضو مات رؤیة قادرة على تمييز الأشياء داخل الصندوق. تصعبعملية التمييز هذه وذلك لأن الأشياء المراد تمييزها تأخذ أشكالا غير منتضمه. آما إن تغير وضعية اللاجسام داخلالصندوق یؤدي الى رؤیتها آأجسام مختلفة. یقدم هذا البحث إلى طریقه مبسطه لتمييز الأجسام داخل الصنادیق بطریقةتحليل مصفوفة الصورة وشبكه عصبيه ذات داله مرتبطة. تمت مقارنة النتائج مع تلك المستحصله من شبكه عصبيه بسيطةذات تغذیه أمامية. تم تعليم ألشبكه باستخدام خوارزمية انسياب الخطأ خلفا. وقد أضهرت النتائج أن المنضومه المفترحهذات متانة عالية

Object Recognition --- Neural Networks --- Bin Picking --- Singular Values

There is a great deal of systems dealing with image processing that are being used and developed on a daily basis. Those systems need the deployment of some basic operations such as detecting the Regions of Interest and matching those regions, in addition to the description of their properties. Those operations play a significant role in decision making which is necessary for the next operations depending on the assigned task.In order to accomplish those tasks, various algorithms have been introduced throughout years. One of the most popular algorithms is the Scale Invariant Feature Transform (SIFT). The efficiency of this algorithm is its performance in the process of detection and property description, and that is due to the fact that it operates on a big number of key-points, the only drawback it has is that it is rather time consuming.In the suggested approach, the system deploys SIFT to perform its basic tasks of matching and description is focused on minimizing the number of key-points which is performed via applying Fast Approximate Nearest Neighbor algorithm, which will reduce the redundancy of matching leading to speeding up the process.The proposed application has been evaluated in terms of two criteria which are time and accuracy, and has accomplished a percentage of accuracy of up to 100%, in addition to speeding up the processes of matching and description

هنالك الكثير من الانظمة تتعامل مع معالجة الصور.وهذه الانظمة اصبحت بحاجة الى تطوير العديد من العمليات الاساسية كاكتشاف المناطق المهمة ومطابقة هذه المناطق,بالاضافة الى توصيف هذه الخواص.هذه العمليات لعبت دور مهم في اتخاذ القرارالذي يكون ضروري للعمليات اللاحقة بالاعتماد على المهمات المخصصة.من اجل تحقيق العمليات المخصصة,العديد من الخوارزميات قدمت خلال السنوات الماضية.واحدة من اشهر الخوارزميات هي(خوارزمية تحويل الخصائص غير المتاثرة بمقياس). هذه الخوارزمية كفوءة في عمليات الاكتشاف والتوصيف للنقاط المفتاحية لكن كثرة النقاط المفتاحية ادى الى استغراق وقت طويل لعملية المعالجة الذي يعتبر من عيوب هذه الخوارزمية.في الطريقة المقترحة , النظام وظف الخوارمية لتادية المهام الاساسية في الكشف والتوصيف وتم التركيز على تقليل عدد النقاط المفتاحية باستخدام خوارزمية التقريب السريع لااقرب جار التي تقلل من النقاط المتكررة والتي تودي الى تسريع عملية المعالجة.تم تقييم النظام المقترح بالاعتماد على معياريين هما الوقت والدقة , وتم تحقيق نسبة دقة 100% بالاضافة الى تسريع عملية المعالجة.

Invariant Features --- Object Recognition --- Scale Invariance --- Image Matching --- Sift Algorithm. --- الخصائثص الثابتة --- تمييز الكائنات --- ثابتية المقياس --- مطابقة الصور --- خوارزمية السفت