Anahtar Kelime Desteği – Multimedya Bölümü – Multimedya Bölümü Ödevleri – Multimedya Bölümü Tez Yaptırma –Multimedya Bölümü Ödev Ücretleri

Anahtar Kelime Destekli Kavrama Bağlı Aktif Öğrenme

Anahtar kelimelerin mevcut olmasıyla, geriye kalan soru, bunların görüntü alımına yardımcı olmak için etkili bir şekilde nasıl kullanılacağıdır. Basit bir yol, görüntü alımını metin alımına dönüştürmektir. Bununla birlikte, sübjektif açıklamalar ve kelimelerin birden fazla anlamı, bu yaklaşımın her zaman etkili olmasını engeller.

Ayrıca, bir görüntünün semantiği bir sorgu anahtar sözcüğüyle eşleşse bile, kullanıcı sözcüklerin tanımlayamayacağı belirli görsel yönleri tercih edebilir. Bu nedenle, tam bir çözüm sunabilmek için algısal özelliklerin de dikkate alınması gerekir.

Anahtar sözcükleri ve algısal özellikleri sinerjik bir şekilde kullanan, kavrama bağlı aktif bir öğrenme algoritması sunuyoruz. Kavrama bağımlı aktif öğrenme (CDAL), bir anahtar sorunu çözmeyi amaçlar: kavram örtüştürme. İkinci bölümde sunulan aktif öğrenme algoritmasını tekrar ziyaret edin.

Yöntemin önemli eksikliklerinden biri, bir sorgu kavramının karmaşıklığı yüksek olduğunda, aktif öğrenmenin kavramla ilgili yeterli görüntüyü bulamamasıdır. Bunun nedeni, kavramın algısal alanda başkalarıyla karıştırılabilmesidir. Daha spesifik olarak, kavram karmaşıklığını resmi olarak hedef kavramı öğrenmedeki zorluk seviyesi olarak tanımlarız. Kavram karmaşıklığını modellemek için iki niceliksel ölçü kullanıyoruz: kıtlık ve izolasyon.

Kıtlık, bir kavramın erişim sisteminde ne kadar iyi temsil edildiğini ölçer. Kıtlığı belirtmek için kavramla eşleşen verilerin yüzdesi olarak tanımlanan isabet oranını kullanıyoruz. Her bir anahtar kelimenin bir konsepte eşdeğer olduğunu varsaydığımız için, bir anahtar kelimenin isabet oranı, o anahtar kelime ile açıklamalı görsellerin sayısıdır.

Bu parametre veri kümesine bağlıdır; dış mekan gibi bir kavram çok geneldir ve yüksek isabet oranı üretebilirken, kartallar gibi diğer genel kavramlar, sistem pek çok eşleşen resim içermediği için kıt olabilir. Benzer şekilde, laboratuvar önlüğü gibi çok özel bir kavramın isabet oranı yüksek olabilir, çünkü sistem bu tür birçok görüntüye sahiptir.

İzolasyon, bir kavramın diğer kavramlardan ayrılma derecesini karakterize eder. İki tür izolasyon ölçüyoruz: giriş alanı izolasyonu ve anahtar kelime izolasyonu. Kavram, algısal alanda başkalarıyla karıştırıldığında, girdi alanı izolasyonu düşük (veya zayıf) olarak kabul edilir.

Bir kavramı tanımlamak için kullanılan anahtar kelimelerin birkaç anlamı veya anlamı olduğunda, anahtar kelime izolasyonu zayıf olarak kabul edilir; çok kesin anahtar kelimeler iyi izolasyon sağlar.

Yeterince izole edilmemiş bir anahtar kelime örneği, genellikle kaplanların, aslanların ve evcil kedilerin resimlerine açıklama eklemek için kullanılan “kedi” dir. Kullanıcı “kedi” ile bir sorgu başlatırsa, kullanıcının aklında kelimenin hangi anlamının olduğunu söylemek zordur. “Eyfel Kulesi” gibi iyi izole edilmiş bir çekirdek anahtar kelime daha az belirsizliğe sahiptir; kullanıcının Paris’in ünlü dönüm noktasını düşündüğünden oldukça emin olabiliriz.

Kıtlık ve izolasyonun nasıl ölçülebileceğini açıklıyoruz. Bir konseptin karmaşıklığı ölçüldüğünde, SVMActive’i konsepte bağlı bir şekilde ayarlayabiliriz. CDAL’nin anahtarı, kavramın karmaşıklığını azaltmaktır, böylece hedef kavramın öğrenilebilirliği geliştirilir.

CDAL, bir durum geçiş tablosundan ve iki ana algoritmadan oluşur: belirsizliği giderici anahtar kelimeler (DK) ve belirsizliği giderici giriş alanı (DS). İlk olarak, CDAL, bir sorgu oluşturmak için anahtar sözcükleri kullanarak kıtlık sorununu giderir. Böylece, pozitif bir görüntü için tüm veri setini arama ihtiyacını ortadan kaldırmış oluyoruz.

Kullanıcı, hedef konsepti açıklamak için bir anahtar kelime (veya anahtar kelimeler) yazabilir. Bu anahtar sözcükle açıklama eklenmiş görüntüler, başlangıçtaki etiketlenmemiş U havuzuna eklenir. Eşleşen anahtar sözcüklere sahip görüntülerin sayısı azsa, veri kümemizde eşleşen görüntülere sahip ilgili sözcükleri (eş anlamlı sözcükleri) elde etmek için bir eş anlamlılar sözlüğü kullanarak sorgu genişletme gerçekleştirebiliriz. İlgili her semantik için, eşleşen görselleri seçip U’ya ekliyoruz.

Tüm veri kümesini kullanmak yerine öğrenmeyi yürütmek için U’nun kullanılması isabet oranını artırır. Bu noktada, öğrenilebilirlik durumu, tasvir edilen dört durumdan herhangi birinde olabilir. Satırlar, belirtilen anahtar kelimenin iyi izolasyona sahip olup olmadığını veya zayıf izolasyondan muzdarip olup olmadığını gösterir.

Sütunlar, algısal özelliklerin oluşturduğu girdi uzayında sorgu kavramının iyi ya da kötü izole edilebileceğini göstermektedir. CDAL’nin amacı, hedef kavramın öğrenilebilirlik durumunu, hem anahtar kelimelerin hem de algısal özelliklerin iyi bir yalıtımdan yararlandığı ideal durum A’ya taşımaktır. 

Anahtar kelime Bulucu
Anahtar kelime planlayıcı
Ücretsiz anahtar kelime bulucu
Anahtar kelime Nasıl Bulunur
En çok tıklanan anahtar kelimeler
Anahtar kelime planlayıcı ücretsiz
Google anahtar kelime planlayıcı
Anahtar kelime örnekleri

Durum C – Anahtar Sözcük Belirsizliği Giderme

C durumunda, anahtar sözcük izolasyonu zayıftır (takma ad nedeniyle). Bu nedenle, öncelikle çeşitli semantiklere sahip görüntüleri kullanıcıya seçmesi için sunarak anahtar kelimeleri açıklığa kavuşturmamız gerekir. Semantik anlaşıldıktan sonra, öğrenilebilirlik A durumuna geçiş yapar.

Algoritma DK, C durumunun A’ya ulaşmasına yardımcı olur. Algoritma ilk olarak w sorgu anahtar sözcüğü için ilişkilendirme tablosu H’de (görüntülerin anahtar sözcükleriyle ilişkilendirme madenciliği yoluyla oluşturulmuş) bir arama gerçekleştirir. İki öğe kümesi bulunursa, algoritma, birlikte oluşan sözcük kümesi tarafından açıklama eklenmiş U görüntülerinden rastgele seçer.

Ortaya çıkan numune seti S, geri bildirim istemek için kullanıcıya sunulur. Geri bildirim alındıktan sonra CDAL, alakasız görüntülerle ilişkili kelimelerle etiketlenmiş U görüntülerinden kaldırır.

Sorgu genişletme yaklaşımımız ile eşanlamlıları bulmak için semantik bir ontoloji kullanan geleneksel yöntem arasındaki ince ama önemli bir farka dikkat edin. Görüntü açıklama görevi için (dördüncü bölümde ele alınmıştır), anlamsal bir ontoloji yararlıdır. Bununla birlikte, görüntü alma için semantik ontoloji ters etki yapabilir.

Bunun nedeni, bir anahtar kelimenin eşanlamlılarıyla etiketlenmiş resimlerin veri kümesinde bulunmayabilmesidir. Veri kümesindeki ilişkilendirme kuralları tarafından çıkarılan birlikte oluşumu kullanmak, veri kümesi hakkında bilgi sağlar ve bu nedenle, veri kümesine bağlı bir şekilde anahtar kelime anlambiliminin belirsizliğini gidermek için yararlıdır.

Durum B – Girdi alanı belirsizliği giderme

Durum B’nin algısal izolasyonu zayıf, ancak iyi anahtar kelime izolasyonu var. good anahtar sözcüğünün sağladığı eşleşen görüntü sayısı azsa, etiketlenmemiş örnek havuzunu genişletmek için sorgu genişletme gerçekleştirebiliriz.

Bu zayıf şekilde izole edilmiş kavramlar için, girdi alanı belirsizliğini giderme yoluyla numune havuzunun algısal izolasyonunu iyileştirmeye çalışıyoruz. CDAL, bu gelişmeyi sağlamak için DS’yi kullanır. Algoritma, hedef kavramın öğrenilebilirliğine müdahale edebilecek örnekleri U’dan kaldırır.

Mevcut etiketli görüntü havuzu göz önüne alındığında, DS önce iki sözcük listesi oluşturur: pozitif etiketli görüntülerden P ve negatif etiketli görüntülerden N. Üçüncü adımda DS, P ve N’deki kelimelerle eşleşmeler için etiketlenmemiş havuzdaki her görüntünün ek açıklamasını kontrol eder. Daha fazla negatif anahtar kelime eşleşmesi varsa, CDAL bu görüntüyü U’dan kaldırır. 

Durum D – Anahtar Kelime ve Boşluk Belirsizliğinin Giderilmesi

D Durumu, hem zayıf semantik hem de zayıf giriş alanı yalıtımından muzdariptir. Sorunu çözmek için, CDAL ilk olarak C durumundakiyle aynı DK stratejisini kullanarak anahtar sözcük izolasyonunu geliştirir. Daha sonra durum B durumuna taşınır ve girdi uzayında durum B’nin belirsizliği giderme yöntemi uygulanarak algısal yalıtım iyileştirilir. 

Makale Deniz

Biyografinin Tamamını Gör