Globe Views
500 things that everyone should know ...
Home | About Us

Innholdsbasert gjenfinning

Institutt for informatikk og ingeniørvitenskap University of Washington Med stort bilde databaser bli en realitet både i vitenskapelige og medisinske domener og i de aller reklame / markedsføring domene, har metoder for å organisere en database med bilder og for effektiv gjenfinning bli viktig. Vi har jobbet på tre ulike aspekter av dette problemet. 1. Bilde Indeksering Andy Berman i 1999 Ph.D. avhandling om Effektiv Content-Based bilde Retrieval var en banebrytende arbeid som utviklet nye indeksering teknikker for bilde-databaser ved hjelp av bilder som indeksene. I dette arbeidet ble trekantulikheten for beregninger som brukes til å beregne lavere grenser for både enkle og sammensatte avstand tiltak. Disse grensene tillot gjenfinningssystem å utelukke store deler av databasen og for å bestille de gjenværende bildene omtrent i henhold til deres likhet i søket. Publikasjoner: A. Berman og LG Shapiro, "et fleksibelt bildet Database System for Content-Based Retrieval," Computer Vision and Image Understanding, vol. 75, 1-2 Nos, 1999, pp. 175-195. Demonstrasjoner: FIDS Demo 2. Objekt Anerkjennelse for gjenfinning Yi Li avhandling i 2005 utviklet to nye læring paradigmer for objekt anerkjennelse i sammenheng med innholdet-baserte image gjenfinning. Begge paradigmer bruker begrepet abstrakt regioner som grunnlag for anerkjennelse. Abstrakte regioner er bilde regioner som kan oppnås fra bildet av noen beregningsorientert prosessen, for eksempel farge segmentering, tekstur segmentering, eller renter operatører. Den første læring algoritmen var en generativ tilnærming som utviklet en EM Klassifiseringsfila som lærte Gaussian modeller for ulike klasser av objekter. Den andre maskinlæringsalgoritme var en kraftigere Generative / diskriminativ Approach som begynte med EM clustering og brukt klynger (i hver egenskapsrom) å konstruere fast lengde har vektorer som beskrevet hvert bilde i form av dens reaksjon til hver av komponentene. De har vektorer ble deretter brukt til å trene en klassifikator å gjenkjenne objektet klassen eller konsept blir lært. Publikasjoner: Demonstrasjoner: Objekt anerkjennelse Demos Programvare: Objekt Recognition Software Ground Truth Database: Annotated Image Database   Oversatt s http://homes.cs.washington.edu/~shapiro/cbir.html Hjemmeside
Globe Views

Copyright™ 2014: «QRATOR Creative Technologies»