Karar Ağacı Algoritmaları – Multimedya Bölümü – Multimedya Bölümü Ödevleri – Multimedya Bölümü Tez Yaptırma –Multimedya Bölümü Ödev Ücretleri

Video İndeksleri Kodlama

Resimli bilgileri temsil etmek ve almak için önceki bölümde açıklanan teknikler, video veritabanlarına uyarlanabilir. Çeşitli uyarlamalar rapor edilmiştir. Temel ilke, bir video bölümünün ilk karesini tam olarak temsil etmek, ardından video ilerledikçe yalnızca uzamsal ilişkilerdeki değişiklikleri temsil etmektir.

Bu bölümdeki çalışma, video bölümünün ilk karesindeki nesnelerin uzamsal ilişkilerini temsil etmek için bir 2B B dizesi kullanır ve ardından video sırasında uzamsal ilişkilerde meydana gelen değişiklikleri bu dizide düzenlemeler olarak gösterir. Bu şekilde, 2B dizgede yapılan düzenlemeler, dizine alınan nesnelerin durumundaki değişiklikleri temsil eder, her durum videodaki bir çerçeve bloğu için geçerlidir.

Bu grup tarafından gerçekleştirilen çalışma, değişen uzamsal ilişkileri öyle bir şekilde temsil eder ki tam eşleştirme, tam 2D B dizilerine genişletilmeden doğrudan düzenlemelerden yapılabilir. Bu, önceki notasyonlara göre bir avantajdır. Benzerlik bulma, basit resimsel bilgilerle aynı şekilde, yani alt grafik izomorfizm tespiti kullanılarak gerçekleştirilir.

Benzerlik bulma işlemini gerçekleştirmek için video bilgilerinin ve sorgu girişinin grafikler olarak gösterilmesi gerekir. Bu iş için, kullanıcının çevrimiçi olarak verdiği sorguya, sorgu veya girdi olarak atıfta bulunulacaktır. Veritabanının öğelerine modeller adı verilir.

Video veri tabanı alımında, alma işleminin işlenenleri, giriş ve videodaki nesneler ve bunlar arasındaki uzamsal ilişkilerdir. Bir modeldeki bir çerçeve bloğunu temsil eden her giriş veya durum, her nesne için bir tepe noktası oluşturarak, nesnenin tanımlayıcısıyla etiketlenerek ve köşeleri uygun nesneler arasındaki uzamsal ilişkilerle etiketlenmiş kenarlarla birleştirerek bir grafik olarak temsil edilir.

Bu, kenar etiketlerinin belirsizliğini gidermek için kullanılan kenar yönü ile eksiksiz bir etiketli grafiğe yol açar. Gerçek uygulamada, kenarların etiketleri, iki nesne arasındaki ilişkilerin ilişki kategorisidir, çünkü her üç eşleştirme türü de en az 0 tipi bir eşleşme gerektirir, bu nedenle verimli bir ilk karşılaştırma mümkün olur. İki nesnenin gerçek uzamsal ilişkileri, kenarın nitelikleri olarak kullanılır ve tip 0 etiketinin bir eşleşme oluşturup oluşturmadığı incelenir.

Kullanılan temsilin bir örneği verilmiştir. Bu şekilde iki resim ve bunları temsil etmek için kullanılacak grafikler sunulmaktadır. İki resmin incelenmesi, A, B ve C nesnelerinin resimlerde benzer ilişkiler göstermesi açısından, birinin diğerine açık bir benzerliği olduğunu göstermektedir.

B etiketli nesne nicel anlamda hareket etse de, A ve B nesneleri ile B ve C nesneleri arasındaki niteliksel ilişkiler değişmez. Bu nedenle, D nesnesi ve D köşesine gelen tüm kenarlar iki resimden silinirse, kalan kısımlar niteliksel bir eşleşmedir.

Karar ağacı örnek problem
Karar ağacı algoritması örnek
Karar ağaçları
Karar ağacı yöntemi
Karar ağacı Nedir
Karar ağacı modeli
Python karar ağacı
Karar ağaçları PDF

Benzerlik bulma, bir girdi ile veri tabanı arasındaki bu tür en büyük ortak parçaları tespit etme işlemidir. Bu nedenle benzerlik bulma, veri tabanında sorgu girdisine en büyük izomorfik alt grafiği içeren modellerin aranmasıdır. Bu tür alt grafikler, iki grafik arasındaki LCSG’ler olarak adlandırılır.

Görüntülerin grafik olarak bu şekilde kodlanması kullanılırsa, temsili grafiklerini karşılaştırarak iki görüntünün en büyük ortak kısmını çıkarmak mümkündür. Bir video dizisinden bir çerçeve bloğunu temsil eden nesne durumu bir grafik olarak kodlandığında, durumlar arasında ve bir giriş ile bir durum arasında benzerlikler tespit edilebilir.

Aşağıdaki bölümde sunulan algoritmalar, hem görüntü hem de video veritabanları için benzerlik elde etmeye uygulanabilir. Eşleştirme, tek bir girdi sorgusu ile bir model veritabanı arasında gerçekleştirilir, modeller eşleştirme başlamadan önce bilinir.

Birden çok model görüntüsünün bir veritabanında derlenmesi, bir video içindeki çerçeveler arasındaki zamansal fazlalıktan açıkça yararlanır. Önerilen algoritmaların verimliliğine yol açan kısmen bu benzerliktir.

Şimdi, verimli alt çizge izomorfizm tespiti için algoritmaları ve bu algoritmaların bu bölümde özetlendiği şekilde kodlanmış verilere uygulanmasından elde edilen sonuçları sunacağız.

Karar Ağacı Algoritmaları

Karar ağacı algoritması, girdi grafiğinden model grafiğine kadar alt çizge izomorfizmlerini saptamayı amaçladığından, görüntü ve video veritabanları için önemlidir. Buradan, algoritmanın tüm giriş grafiğine izomorfik olan model grafiklerinin alt grafiklerini algıladığı anlamına geldiği görülebilir.

Görüntü ve video veri tabanı alanındaki en yaygın sorgulama biçimi, sorgunun ilgilenilen nesneler için gerekli ilişkileri gösteren ikonik bir eskiz olduğu resimsel örneğe göre sorgulamadır. Bu nedenle, sorgu bir grafik olarak kodlandığında, sorgu çözümü, giriş grafiğine izomorfik bir alt grafik içeren model grafiklerinin algılanmasını gerektirir.

Bu algoritmada kullanılan karar ağacı, model grafiklerinin komşuluk matris gösteriminden oluşturulmuştur. Her G grafiği, köşegen boyunca köşe etiketlerini ve köşegen dışı elemanlardaki kenar etiketlerini tanımlayan bir M matrisi ile temsil edilebilir. Bir G = (V , E, μ, ν) grafiği için komşuluk matrisi M’nin elemanları aşağıdaki gibi tanımlanır.

Burada P, her satır ve sütunun toplamı 1’e eşit olan bir permütasyon matrisidir. Bu denklem, bir komşuluk matrisi M’nin bir izomorfik bitişik matris M’ye dönüşümünü verir. Bu nedenle, iki grafik arasındaki izomorfizm tespiti, bir grafiğin bitişik matrisini diğerinin bitişik matrisine dönüştüren uygun bir permütasyon matrisi bulma görevi olarak ifade edilebilir.

Bir grafiğin tüm izomorfizmlerini temsil eden komşuluk matrislerinden oluşturulmuş bir karar ağacı üretilerek hızlı çizge izomorfizm tespiti sağlanabilir. Karar ağacı algoritması, her bitişik matrisin satır-sütun öğelerini kullanarak karar ağacını oluşturur.

M matrisinin satır sütun elemanı ri aşağıdaki matris öğelerinden oluşur: Mij : 0 ≤ j ≤ i ve Mji : 0 ≤ j ≤ i. Görülebileceği gibi, bu, her biri bir köşe etiketi ve o köşe için bağlantı bilgisi ve matrisin üstündeki ve solundaki tüm köşeler içeren, matrisin bir dizi bölümünü verir.

Makale Deniz

Biyografinin Tamamını Gör