Video İndeksleme ve Tarama – Multimedya Bölümü – Multimedya Bölümü Ödevleri – Multimedya Bölümü Tez Yaptırma –Multimedya Bölümü Ödev Ücretleri

Yüze Dayalı Video İndeksleme ve Tarama

İnsan yüzlerine dayalı bir video indeksleme ve tarama şeması önerilmiştir. Şema, yüz algılama ve tanıma teknikleri uygulanarak uygulanmaktadır. Birçok video uygulamasında, ilgili klipleri bulmak için büyük miktarda video materyaline göz atmak son derece önemli bir görevdir.

İnsan yüzlerine göre endekslenen video veri tabanı, kullanıcılara ilgili kişinin yer aldığı video klipleri verimli bir şekilde elde etme olanağı sağlar.

Örneğin, bir film çalışması öğrencisi, bir performansı incelemek için en sevdiği aktörün/aktrisin kliplerini bir film arşivinden kolayca çıkarabilir ve bir TV haber muhabiri, bir politikacının görüntülerini içeren klipleri bir haber veritabanında hızla bulabilir. 

Şema üç adım içerir. Yüz tabanlı video tarayıcının ilk adımı, bir sahne değişikliği algılama algoritması uygulayarak video dizisini bölümlere ayırmaktır. Sahne değişikliği algılama, yeni bir çekimin ne zaman başlayıp bittiğine dair bir gösterge verir.

Sahne değişikliği tespiti ile oluşturulan her bölüm, bu sekansın bir hikaye birimi olarak kabul edilebilir. Video dizisi segmentasyonundan sonra, büyük olasılıkla insan yüzleri içeren segmentleri (çekimleri) bulmak için olasılıksal bir DBNN yüz dedektörü çağrılır.

Her video çekiminden onun temsili karesini alıp bir yüz detektörüne aktarıyoruz. Dedektörün yüksek yüz algılama güven puanları verdiği bu temsili çerçeveler açıklamalı olarak eklenir ve tarama için indeks görevi görür.

Bu şema, video tarama amacıyla video çekimlerinin hiyerarşilerini oluşturmak için algoritmalara da çok yardımcı olabilir. Örneğin böyle bir algoritma, video çekimi hiyerarşileri oluşturmak amacıyla video çekimlerini kümelemek için benzerlik ölçütleri olarak genel renk ve parlaklık bilgilerinin kullanılmasını önerir.

Benzerlik ölçümleri, videoların çok hızlı işlenmesini sağlar. Ancak, gösterilerinde, aynı spikeri içeren bazı çekimler, yetersiz görüntü içeriği anlayışı nedeniyle birlikte gruplandırılamıyor.

Bu tür bir uygulama için, benzer nesnelerin ve özellikle insan nesnelerinin varlığının iyi bir benzerlik ölçüsü sağlaması gerektiğine inanıyoruz. Bildirildiği gibi, bu şema bu çekimleri başarılı bir şekilde aynı gruba sınıflandırır.

Etkileşimli İnsan-Bilgisayar Görüşü

Multimedya sistemlerde insanlar ve bilgisayarlar arasındaki etkileşimin önemi asla küçümsenemez. Bilgisayarların, insan niyetini ve ifadesini işitsel, görsel hareketler, vücut hareketleri vb.

Önceki bölümlerde açıklanan çok modlu araştırma, anlama probleminin üstesinden gelmek için yararlıdır. İnsan eylemini taklit etmek için etkileşimli insan-bilgisayar görüşü (IHCV) çözüm sağlayabilir.

Belirli insan bilgisayar etkileşimlerini belirli bir kullanıcı için belirli bir görevde faydalı olacak şekilde izlemek, tahmin etmek ve tanımlamak için tasarlanmış süreçleri uyarlayabilen görüntü algoritmaları geliştirmek multimedya sistemlerinde çok önemlidir. Görevleri devralarak veya kolaylaştırarak insan performansına yardımcı olarak artırılmış gerçeklik gibi artırılmış davranışlar sağlar.

Bunu yaparken, bu hesaplama algoritmalarının, beynin algısal ve bilişsel süreçleri nasıl etkinleştirdiğine tam olarak karşılık vermesini şart koşmuyoruz. Aksine, bu algoritmalar, eylemleri veya davranışları yansıttıkları veya yürütme sırasında kullanıcıya önemli bilgiler sağladıkları sürece kullanıcı için yararlı olacak şekilde de tasarlanmıştır.

Bu algoritmalar, her zamankinden daha kullanışlı ve güvenilir sistemlere dönüşmek için bireysel kullanıcıların davranışlarına dinamik olarak uyum sağlar. IHCV bir öğrenme sorunudur.

İnsanların özellikleri nasıl çıkardığını ve farklı görevlerde görüntüleri nasıl yorumladığını izlemek, tahmin etmek ve açıklamak için yeterince anlamlı öğrenme algoritmaları geliştiriyoruz. Örneğin, yapıların kenarlar, dokular, konturlar vb. ikonik tanımlarına sahip olabiliriz. Matematiksel formüller gibi yapıların sembolik tanımlarına da sahip olabiliriz.

Video arama motoru
Video ile arama yapma
Gelişmiş video arama
Video arama siteleri
Google video arama
google’dan video izleme
Gelişmiş arama
Gelişmiş arama motoru

IHCV yaklaşımını içeren iki farklı sahne açıklaması örneği:

• İnsan kenarı/özellik etiketlemesinin izlenmesi/tahmin edilmesi: Farklı görevler ve görüntü özellikleri, farklı türde kenarların/özelliklerin tanınmasını da gerektirir.
• İnsan sembolü çizimini tanımayı öğrenme (örn. denklemler): Tanıma performansı boyut, yön, konum ve belirli bozulmalardan değişmez.

Özetlemek gerekirse, görevde MNN’leri kullanmanın amacı, insanların ne yaptığını izlemek ve yeni vakaları tahmin etmektir. İçinde, ikonik yapıları çıkarmak için yeni bir yaklaşım önerildi. Görüntülerdeki ikonik yapılar, kenarlar, dokular, konturlar vb. olarak adlandırılan yapılardır.

IHCV’de düzgün bir şekilde ele alınması gereken konu, insan algısı için önemli olduğu düşünülen yapıların uyarlanabilir olarak da çıkarılmasıdır. Tipik olarak, dikkate alınması gereken faktörler, arka planın değişen aydınlatma koşulları ve belirli bir arka plan aydınlatması altında yapıları temsil eden özelliklerin prototipleridir.

Önerilen DBNN’ler özellikle bu tür görevler için uygundur. Bu mimariyi kullanma motivasyonu, özellik çıkarmada, birden fazla karar parametresi setini benimsemenin ve yerel bağlamın bir fonksiyonu olarak uygun parametre setini uygulamanın, tek bir parametre setini benimsemek yerine daha da doğal olacağıdır. Geleneksel yaklaşımlarda olduğu gibi bütün görüntü de verir.

Modüler karara dayalı mimari bu nedenle, her bir alt ağı farklı bir arka plan aydınlatma seviyesini temsil edecek şekilde ve alt ağdaki her birimi karşılık gelen aydınlatma seviyesi altında özelliklerin farklı prototiplerini temsil edecek şekilde belirlersek, yukarıdaki uyarlanabilir karar sürecinin doğal bir temsilini de oluşturur.

Bir girdi özellik vektörü analiz edilirken, bir DBNN tarafından iki aşamalı bir karar prosedürü gerçekleştirilir:

•Bir alt ağda, ilgili aydınlatma koşulunda farklı prototipleri temsil eden birimler birbiriyle rekabet eder. En güçlü çıktıyı veren birim, girdi özellik vektörünün kimliğini talep eder.

• Alt ağlar daha sonra birbirleriyle rekabet eder ve en yüksek çıkış değerine sahip olan, giriş özellik vektörünün kimliğini talep eder.

DBNN’nin çok çekici bir özelliği, gürültüye ve parazite karşı sağlamlığıdır. DBNN ortalama arka plan bilgisini öğrendiğinden, gürültü ve parazit rastgele sinyaller olarak filtrelenir. Bu sağlamlık, kenar algılamada da açıkça gösterilmiştir.

Makale Deniz

Biyografinin Tamamını Gör