روشی مبتنی بر خوشه بندی افرازی جهت حاشیه نویسی خودکار تصاویر

Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 666

This Paper With 6 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

IPRIA02_022

تاریخ نمایه سازی: 28 شهریور 1394

Abstract:

با رشد گسترده و روزافزون تصاویر بر بستر اینترنت، بازیابی این تصاویر، بحث داغی شده است که نیاز به راه حل های فوری دارد. حاشیه نویسی خودکار تصاویر گامی مهم و کلیدی در بازیابی تصاویر می باشد. حاشیه نویسی خودکار تصاویر به ایجاد خودکار برچسب های متنی مطابق با محتوای بصری تصاویر دلالت دارد. وجود برچسب های متنی متعدد و شکاف معنایی میان این برچسب ها و ویژگی های سطح پایین بصری، سامانه های حاشیه نویسی را با فقدان کارایی مواجه کرده است. در این پژوهش یک روش حاشیه نویسی با استفاده از خوشه بندی دو سطحی بر مبنای ویژگی ها و نیز معنانی پیشنهاد شده است. خوشه بندی باعث می شود تصاویر مشابه به هم از لحاظ بصری و نیز تصاویر مرتبط به هم از جهت معنایی در کنار هم قرار گرفته و حاشیه نویسی شوند.انجام این کار باعث افزایش سرعت حاشیه نویسی، قابلیت مقیاس پذیر بودن روش در ابعاد بالاتر و نیز بهبود کارآیی حاشیه نویسی می شود. برای ارزیابی روش، دادگان مهم و پرکاربرد در حوزه حاشیه نویسی، Core15k مورد استفاده قرار گرفته است. نتایج به دست آمده روی این دادگان برای تمامی معیارهای ارزیابی، عملکرد قابل قبول روش پیشنهادی را در مقایسه با دیگر روش ها نشان می دهد.

Keywords:

بازیابی تصاویر , حاشیه نویسی خودکار تصاویر , خوشه بندی دو سطحی

Authors

سمانه بهرامی

کارشناس ارشد دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس

محمد صنیعی آباده

استادیار، دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • عبدالله زاده مکی، داوود، حاشیه نویسی خودکار تصاویر با ترکیب ...
  • visual ollaborativeع [11] M. Wang, F. Li, and M. Wang, ...
  • S. Feng and D. Xu, Fransductive Multi-Instance Multi-Label learning algorithm ...
  • X. Ke, S. Li, and D. Cao, 4 two-level model ...
  • P. Duygulu, K. Barnard, J. F. de Freitas, and D. ...
  • J. Verbeek, M. Guillaumin, T. Mensink, and C. Schmid, _ ...
  • Z. Li, Z. Shi, X. Liu, Z. Li, and Z. ...
  • A. Makadia, V. Pavlovic, and S. Kumar, Baselines for image ...
  • F. Shi, J. Wang, and Z. Wang, -Rgion-based supervised annotation ...
  • Z. Li, Z. Shi, X. Liu, and Z. Shi, Modeling ...
  • annotation and retrieval, " Pattern Recognit. Lett, vol. 32, no. ...
  • Z. Lu, H. H. Ip, and Y. Peng, contextual kernel ...
  • X. Zhang and C. Liu, _ annotation based _ similarity, ...
  • S. Bahrami, M. Saniee Abadeh, "Automatic image evolutionary algorithm." ...
  • T _ _ ec ommunicatios (IST), 2014 Seventh International Symposium ...
  • نمایش کامل مراجع