Ayrıştırma Ağı – Multimedya Bölümü – Multimedya Bölümü Ödevleri – Multimedya Bölümü Tez Yaptırma –Multimedya Bölümü Ödev Ücretleri

Ayrıştırma Ağı Algoritması

Ayrıştırma ağı algoritması, modelleri giriş grafiğinin bir alt grafiğine izomorfik, yani giriş grafiğinin bazı bölümleriyle aynı olan model grafikleri bulur. Bu, genellikle video veritabanına erişimde ilgi çekici olan eşbiçimlilik biçimi değildir.

Görüntü ve video veritabanı çalışmalarında karşılaşılan en yaygın sorgulama işlemleri, benzerlik bulma ve girdiye izomorfik modellerin alt resimleridir. Kullanıcı tipik olarak simgeleri örnek bir çerçevede düzenleyerek resimli bir sorgu oluşturacaktır; geri alma, giriş resmine benzer bir modelde bir alt resim bulma görevidir.

Kesin ayrıştırma algoritması bu görevlerden herhangi biri için uygun olmasa da, bir resmi oluşturan bileşenleri bulmak için kullanılabilir ve bir resim içindeki bileşik nesneleri tespit etmede faydalı olabilir.

Böyle bir teknik, bir görüntünün bileşenlerini kaydederek görüntülerin ve videonun otomatik olarak sınıflandırılmasında ve ayrıca nesne takibinde yararlı olabilir. Bununla birlikte, ayrışma algoritmasını gerçek bir probleme uygulamanın, üzerinde çalışılması gereken bir takım yönleri vardır.

İlk test, kılavuz veri tabanından tüm kliplerin yüklenmesi ve her klipten seçilen tek bir örnek çerçeveye eşbiçimliliklerin saptanması yoluyla gerçekleştirildi. Böylece veri tabanındaki her klip için rastgele bir kare seçilmiş ve bu karelerin her biri sisteme sorgu olarak sunulmuştur. Bu, genel olarak ayrıştırma algoritmasının çeşitli farklı sorgular üzerindeki performansının basit bir testidir.

Ayrıştırma tam algoritması ve Ullman algoritması için ortalama, maksimum, minimum ve standart sapmayı verir. Bu tablo ayrıştırma algoritmasının avantajını açıkça göstermektedir. Alınan süreler, en iyi standart algoritma için olanlardan daha az bir büyüklük sırasıdır.

Ayrıştırma algoritması için minimum ve maksimum arasındaki göreli varyasyon, standart algoritmadan çok daha yüksekti; ancak, ayrıştırma algoritması için en kötü durum, Ullman’ın algoritması için en iyi zamanın yaklaşık beşte biri olduğu için, bu büyük bir eleştiri olamaz.

Sorgular arasındaki performanstaki göreli varyasyonlar, Ullman’ın algoritması ve kesin ayrıştırma algoritması için benzerdi; yani, aynı sorgularda daha iyi veya daha kötü performanslar üretirler.

Kılavuz veri tabanındaki tüm kliplerin anahtar nesnelerini benzer bir alandan aldığına dikkat edilmelidir, bu da testte bir yanlılığa katkıda bulunabilir. Bu etkiyi incelemek için, bir temel ayrıştırma ağı oluşturmak üzere akvaryum kliplerinden oluşan bir veri tabanı kullandık, ardından parkta oynayan çocukların kliplerini ekledik.

Bu klipler çoğunlukla ayrık nesne kümeleri içerir; bu nedenle, herhangi bir önyargı belirgin hale gelmelidir. Başlangıçta, balık tankı kliplerinin yarısı veri tabanında derlendi ve her iki algoritmanın performansını değerlendirmek için her bir klipten temsili bir çerçeve sorgu olarak kullanıldı.

Akvaryum kliplerinin geri kalanı daha sonra eklendi ve algoritmalar tekrar test edildi. Son olarak, akvaryum sahnelerinin sayısının yarısına eşit sayıda park sahnesi klipleri eklendi ve son bir dizi test gerçekleştirildi.

Gösterildiği gibi, ayrıştırma algoritmasının performansı, benzer olmayan nesnelerin eklenmesiyle önemli ölçüde azalmaz. Kesin ayrıştırma algoritmasının çalışma kümesi boyutu, %10’dan daha az farkla Ullman’ın algoritmasıyla karşılaştırılabilirdi.

Bu kanıt, bir giriş resminin alt resimleriyle aynı olan veritabanı resimlerini tespit etmek amacıyla ayrıştırma modelinin oldukça verimli ve iyi koşullandırılmış bir çözüm sunduğu ifadesini desteklemektedir.

Bilgisayar ağ Nedir
Ağ nedir kısaca
Ag nedir
Ag nedir kimya
İnternet ağı ne demek
Genel ağ nedir
Bilgisayar ağı LAN Nedir
Bilgisayar ağları nerelerde kullanılır

Hatalı Ayrıştırma Algoritması

Hata düzeltme algoritmaları artık kliplerin rehber veri tabanı üzerinden değerlendiriliyor ve A* (ileriye bakma ile) algoritması ile kesin olmayan ayrıştırma algoritması karşılaştırılıyor.

Ullman algoritması ve kesin ayrıştırma algoritması için gerçekleştirilen ilk test, kesin olmayan ayrıştırma algoritması kullanılarak da yapılmıştır.

Görüldüğü gibi sonuçlar, tam ayrıştırma algoritmasınınkine benzer bir performans gelişimini göstermektedir. Kesin olmayan ayrıştırma algoritması, beklendiği gibi, tam algoritmadan biraz daha yavaş olsa da, yine de tam eşleştirme için en iyi standart algoritmadan önemli ölçüde daha hızlıdır. Bu, ön işleme yöntemleri kullanılarak mümkün olan performansın açık bir göstergesini verir.

Yalnızca girdi grafiği ile en az bir model arasında tam bir grafik izomorfizmi bulunan sorgular için performans verir. Kesin olmayan algoritmalar için daha önemli olan, tam eşleşme olmadığında gösterdikleri performanstır.

Hem A* hem de ayrıştırma kesin olmayan algoritmaları, en yakın eşleşmenin hata ölçüsü arttıkça büyük ölçüde artan yanıt süreleri görüntüler. Bunun nedeni, yuva hata değeri arttıkça eşit maliyetli alternatiflerin katlanarak artmasıdır.

Kullanılan GUB araç takımı sistemi, hata mesafesi ölçümüne katkıda bulunan şu işlemleri sağlar: köşe/kenar etiketlerinin değiştirilmesi, köşelerin/kenarların silinmesi ve köşelerin/kenarların eklenmesi. Video veritabanı testleri için bu bileşenlerin her birine atanan maliyet verilmiştir.

Kullanılan gösterim her resim veya çerçeve için tam bir grafik sağladığından, kenarların eklenmesi ve silinmesine sonsuz bir maliyet atanır. Kenar etiketlerinin ikamesi için maliyet aralığı [0–17]’dir, ikame maliyeti aynı ilişki için sıfırdır ve iki etiketi ayıran ilişkilerin sayısıyla artar.

Sorguları karşılamak için gereken süredeki önemli bir faktör, hata ölçüm değeridir. Veritabanına karşı dört farklı sorgu için A* algoritmasının ve hatalı ayrıştırma algoritmasının gerektirdiği yürütme süresini gösterir. Tabloda kullanılan sorgular artan hata değerlerine sahiptir ve iki algoritma için artış oranını göstermektedir.

Hata ölçüsü 6 ve 12 olan sorguların karşılaştırılması, A* için yürütme süresinde dört kat artış göstermesine rağmen, en kötü durumda bile, kesin olmayan ayrıştırma algoritması, çok daha hızlı bir yanıt üretmek için geleneksel algoritma üzerinde yeterli bir performans avantajına sahiptir. algoritma ve kesin olmayan ayrıştırma için 12 kat artış vardır.

Benzer bir eğilimi daha fazla ayrıntıyla gösterir, çünkü sorgu olarak dizilerin birinden bir çerçeveyle başlayıp ardından döndürülen hatayı kademeli olarak artırmak için onu değiştirerek üretilmiştir.

Sonuçlar, kesin olmayan ağ yönteminin A* algoritmasından önemli ölçüde daha hızlı olmasına rağmen, büyük bir hata beklendiğinde kullanılacak kadar hızlı olmayabileceğini göstermektedir. İzin verilen maksimum hataya göre sınırlandırılabilen bir benzerlik ölçüsü için, kesin olmayan ağ algoritması yararlı bir araç olacaktır.

Bir hata sınırı verildiğinde, veritabanı işlenirken arama önemli ölçüde budanabilir. Bu, iyi yönlendirilmiş bir arama yapıldığında, ağı kesin olmayan algoritmayı başarıyla kullanabileceğimizi gösterir.

Bununla birlikte, kapsamlı bir veritabanı araması için, yanıt süresi muhtemelen makul sınırları aşan, kesin olmayan algoritmadan ağdan düşük performans bekleriz. Ancak, döndürülen performansın mevcut algoritmalara göre bir gelişme olacağını unutmamak önemlidir.

Ağ algoritmasının alan gereksinimi, hem kesin hem de kesin olmayan biçimlerde, geleneksel algoritmalardan yalnızca marjinal olarak daha fazladır.

Makale Deniz

Biyografinin Tamamını Gör