شرح گذاری خودکار مجموعه تصاویر در مقیاس بزرگ مبتنی بر بهبود روش تنک سازی نزدیک ترین همسایه با حذف نمونه های پرت طبقه ای

با توجه به رشد روزافزون تصاویر موجود در وب، شرح گذاری خودکار تصاویر به حوزه پژوهشی مطرح در زمینه جستجو و بازیابی تصویر تبدیل شده است. منظور از شرح گذاری خودکار تصویر، بکارگیری مدل های یادگیری برای توصیف محتوای دیداری تصاویر با استفاده از توصیفگرهای متنی است. با افزایش تعداد تصاویر، سیستم های شرح گذاری خودکار تصاویر با چالش هایی مواجه می شوند. عمده این چالش ها مقیاس پذیری سیستم می باشد که در دو بخش، زمان شرح گذاری و دقت شرح گذاری قابل طرح می باشد. در این پژوهش به منظور حل چالش زمان در این سیستم ها از ایده تنک سازی مجموعه آموزش و یافتن زیرمجموعه کمینه، روشی ترکیبی مبتنی بر حذف نمونه های پرت طبقه ای ارائه شده است. در این روش برای بدست آوردن زیرمجموعه سازگار تصمیم گیری می شود. نتایج حاصل از پیاده سازی این روش بر روی مجموعه تصاویر شامل 30،000 تصویر با 31 مفهوم شرح گذاری، بیانگر بهبود عملکرد این روش نسبت به روش پایه ای در یافتن زیرمجموعه سازگار می باشد.

کلیدواژه ها:

تنک سازی فضای نمونه ها ، زیرمجموعه سازگار ، شرح گذاری خودکار تصاویر ، مجموعه تصاویر در مقیاس بزرگ ، نمونه های پرت طبقه ای