Konu Tabanlı Erişim – Multimedya Bölümü – Multimedya Bölümü Ödevleri – Multimedya Bölümü Tez Yaptırma –Multimedya Bölümü Ödev Ücretleri

Görüntü ve Video Veritabanları için Konu Tabanlı Erişim

Yalnızca benzerliğe dayalı erişimi destekleyen diğer mevcut içerik tabanlı erişim sistemlerinin çoğuyla karşılaştırıldığında, bu sistem görsel nesnelerin açıklamalarını arama anahtarları olarak kullanarak konu tabanlı erişimi destekler.

Konuya dayalı ve benzerliğe dayalı geri getirme arasındaki fark, görüntülerdeki görsel nesnelerin tanımlanması gerekliliğinde yatmaktadır. Bu nedenle, önceki düşük seviyeli modeller, konuya dayalı erişim için uygun değildir.

Film ve TV programı odaklı dijital video veritabanlarında kullanılabilecek konu tabanlı erişim için yeni modellere ihtiyaç vardır. Sinir ağları, akıllı bilgi işleme için doğal ve etkili bir teknoloji sağlar.

Etiketleme prosedürü dört adımı içerir. İlk adımda, her görüntü 25 eşit boyutlu bloğa kesilir. Her blok, tek veya birden çok nesne içerebilir. İkinci adımda, renk bilgisi, her bir bloğun aşağıdaki ailelerden birine sınıflandırıldığı bir başlangıç sınıflandırması için kullanılır.

Bir sonraki adımda, renk sınıflandırmasının sonucu tekil olmayan bir konu kategorileri kümesiyse, DBNN kullanarak sınıflandırmayı iyileştirmek için doku özellikleri uygulanır. Her blok ayrıca aşağıdaki kategorilerden birinde sınıflandırılabilir: gökyüzü, yeşillik, ten rengi, asfalt, beyaz nesne, zemin, ışık, ahşap vb.

Son olarak, nesne tanıma sonuçları kullanılarak arama tablosundan oluşturulan bir görüntü etiketi, etiket veritabanına kaydedilir. Web tabanlı uygulamanın deneysel sonuçları, bu modelin büyük bir film veya TV programı odaklı dijital video veri tabanı için çok verimli olduğunu göstermektedir.

Dijital Görüntü ve Video Kitaplığı (DIVL) için Etki Alanı Tabanlı Alımı Dönüştürme

Transform etki alanı tabanlı alma, içerik tabanlı geri almaya çekici bir alternatif sunar. Sıkıştırılmış görüntülerin ve videoların kullanımının artan popülaritesi ile, hesaplama karmaşıklığını azaltmak ve görüntü ve video alma sistemlerinin verimliliğini artırmak için sezgisel bir yaklaşım, erişimi doğrudan sıkıştırılmış alanda gerçekleştirmektir.

Bu yaklaşımın avantajları, özellikleri hesaplamak için fazladan zaman gerekmemesi ve bunları depolamak için fazladan alan gerektirmemesidir. DCT alanında sıkıştırılmış görüntülerin ve videoların alınması için özellikler olarak düşük frekanslı DCT katsayılarının enerji histogramlarını kullanma yöntemini sunar.

Bu yaklaşımın çekici özelliklerinden biri, kodlamadan elde edilen DCT katsayılarının görüntülerin temsili özellikleri olması ve diğer içerik tabanlı yöntemlerin çoğunun gerektirdiği özellikleri elde etmek için görüntülerin işlenmesine gerek olmamasıdır.

Yöntemin orta boyutlu DIVL’ler üzerinde üst düzey erişim gerçekleştirmek için yeterli olduğu ve verimli erişim için umut verici bir çözüm olduğu görülmektedir. Bununla birlikte, DIVL’lerin boyutu büyüdüğünde (yani, görüntü sayısı milyonlarca aralığında olduğunda), sıkıştırılmış alandakiler de dahil olmak üzere, eşleştirmeye dayalı mevcut alma yöntemlerinden herhangi biri kaçınılmaz olarak önemli ölçüde yavaşlayacaktır. Gerçek zamanlı işleme kritik bir sorun haline gelir.

Sezgisel çözüm, gerçekleştirilen eşleştirme miktarını azaltmak için bir ön işleme şeması sunmaktır. Sinir ağları bu soruna çekici çözümler sunar.

Bir teklif, ön işleme aşaması için aşağıdaki dört temel adımdan oluşur:

1. Tüm 8 × 8 DCT dönüştürülmüş bloklardaki karşılık gelen DCT katsayılarının ortalamasını alın. Bu işlem, görüntüyü temsil eden 8 × 8 özellik matrisiyle sonuçlanır.
2. Özellik matrisindeki, normalde düşük frekanslı katsayılar olan en önemli katsayıları kullanarak daha kesin kümeleme sağlamak için, görüntüleri SOFMortheSOTM tarafından DIVLintokategorilerinde kümeleyin.
3. Daha sonra kategoriler arasında ayrım yapmak için en etkili olan katsayıları belirlemek için bir genel regresyon sinir ağı (GRNN) [110] veya bir PCA ağı kullanılır.
4. Adım 3’te seçilen özellikler, bir sınıflandırma makinesini eğitmek için kullanılır.

DIVL bir sorgu aldığında, sınıflandırma makinesi eşleştirmeden önce sorgunun ait olduğu belirli kategoriyi belirler.

İsteğe bağlı erişim kontrolü
Rol Tabanlı erişim kontrolü
Kural tabanlı erişim kontrolü
Rbac nedir
Proje tabanlı Öğrenme probleme dayalı öğrenmeden ayıran temel özellik Nedir
Okul Öncesi proje Tabanlı ÖĞRENME etkinlikleri
Proje tabanlı ÖĞRENME uygulama basamakları
Proje TABANLI ÖĞRENME ppt

Güvenilir performans sağlamak için daha fazla değerlendirme dikkate alınmalıdır. Büyük bir görüntüde DCT katsayılarının ortalamasının alınması, çok fazla bilgi kaybına neden olabilir. Bilgiyi korumanın bir yolu, böl ve yönet stratejisini benimsemektir.

Özellikle, her görüntü N alt görüntüye bölünür ve ardından çeşitli görüntülerde aynı coğrafi konumdaki alt görüntüleri kategorize etmek için en etkili özellikleri belirlemek için GRNN kullanılır.

O zaman sorunu, aynı alt görüntüden çıkarılan özniteliklerin aynı sensörden kaynaklandığını düşündüğümüz bir çoklu sensör füzyon problemi olarak görebiliriz. Daha sonra modüler yapılı füzyon ağı veya FNN bu göreve uygulanabilir.

Bu modelde, her biri belirli bir alt görüntüyü temsil etmede uzmanlaşmış N uzman vardır. Her uzman, o alt görüntünün belirli bir kategoriye benzerliğini ölçen M nörondan oluşan bir DBNN’dir.

Eşleştirme işlemi, FNN tarafından tahmin edildiği gibi yalnızca belirli bir kategorideki görüntülerle gerçekleştirilecektir. Görüntülerin FNN tarafından yanlış sınıflandırılması nedeniyle yanlış bir kategoride eşleşme olasılığını en aza indirmek için benzerlik sıralaması kontrol edilmelidir. İlk iki veya üç kategori arasındaki farklar küçükse, sadece en üst kategori yerine bu kategorilerin hepsinde eşleştirme yapılmalıdır.

Yukarıdaki prensibin 1, 3 ve 4. adımlarına dayalı olarak bir prototip sistem oluşturulmuş ve küçük bir veri tabanında (3000 resim) test edilmiştir. Veritabanında on kategori belirlendi. Yalnızca üst sıralarda yer alan kategorilerin aranması durumunda %95 oranında doğru eşleşme sağlandığı görülmüştür. En üst sıralarda yer alan üç kategori arandığında oran %99,5’e yükseldi.

Yukarıda belirtilen DIVL mimarisi hiyerarşik ve kümelenmiştir. Bu tür bir mimari, arama için iyi uyarlanmıştır, ancak aşağıdaki gerçeklerden dolayı bu hiyerarşide yeni bilgileri kodlamak zor olacaktır: (1) mimarilerdeki kesinlikle yukarıdan aşağıya bağlantılar, kümeleri birleştirmeyi ve bölmeyi veya sınırları değiştirmeyi zorlaştırır. veri tabanına yeni veriler girildiğinde kümelerin sayısı ve (2) yeni bilgileri barındırmak için küresel bir eğitimin gerçekleştirilmesi gerekir.

Hiyerarşik olarak yapılandırılmış NoN ve SOTM, bu ağlarda hem yukarıdan aşağıya hem de yanal bağlantıların bir arada bulunması nedeniyle bu soruna potansiyel çözümler sunar.

Bu iki ağ için, her veri kümesi (görüntü sınıfı) belirli bir alt ağ tarafından temsil edilir. Hem NoN’de hem de SOTM’de kümelerin birbirinden izole olmadığı, ancak seyrek bağlantılı olduğu gösterilmiştir.

Bu nedenle, ağların yapısı yeni bilgilerin mevcudiyetine göre dinamik olarak değişir. Bölme ve birleştirme veya kenarlık değiştirme sorunsuz ve sürekli olarak gerçekleştirilir. Ek olarak, modülerleştirilmiş mimari nedeniyle, yeniden eğitim, ağın bazı sınırlı alt mimarisiyle sınırlıdır (örneğin, doğrudan etkilenen küme ve birkaç çevreleyen küme).

Makale Deniz

Biyografinin Tamamını Gör