روشی مبتنی بر خوشه بندی افرازی جهت حاشیه نویسی خودکار تصاویر

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 660

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

IPRIA02_022

تاریخ نمایه سازی: 28 شهریور 1394

چکیده مقاله:

با رشد گسترده و روزافزون تصاویر بر بستر اینترنت، بازیابی این تصاویر، بحث داغی شده است که نیاز به راه حل های فوری دارد. حاشیه نویسی خودکار تصاویر گامی مهم و کلیدی در بازیابی تصاویر می باشد. حاشیه نویسی خودکار تصاویر به ایجاد خودکار برچسب های متنی مطابق با محتوای بصری تصاویر دلالت دارد. وجود برچسب های متنی متعدد و شکاف معنایی میان این برچسب ها و ویژگی های سطح پایین بصری، سامانه های حاشیه نویسی را با فقدان کارایی مواجه کرده است. در این پژوهش یک روش حاشیه نویسی با استفاده از خوشه بندی دو سطحی بر مبنای ویژگی ها و نیز معنانی پیشنهاد شده است. خوشه بندی باعث می شود تصاویر مشابه به هم از لحاظ بصری و نیز تصاویر مرتبط به هم از جهت معنایی در کنار هم قرار گرفته و حاشیه نویسی شوند.انجام این کار باعث افزایش سرعت حاشیه نویسی، قابلیت مقیاس پذیر بودن روش در ابعاد بالاتر و نیز بهبود کارآیی حاشیه نویسی می شود. برای ارزیابی روش، دادگان مهم و پرکاربرد در حوزه حاشیه نویسی، Core15k مورد استفاده قرار گرفته است. نتایج به دست آمده روی این دادگان برای تمامی معیارهای ارزیابی، عملکرد قابل قبول روش پیشنهادی را در مقایسه با دیگر روش ها نشان می دهد.

کلیدواژه ها:

بازیابی تصاویر ، حاشیه نویسی خودکار تصاویر ، خوشه بندی دو سطحی

نویسندگان

سمانه بهرامی

کارشناس ارشد دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس

محمد صنیعی آباده

استادیار، دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • عبدالله زاده مکی، داوود، حاشیه نویسی خودکار تصاویر با ترکیب ...
  • visual ollaborativeع [11] M. Wang, F. Li, and M. Wang, ...
  • S. Feng and D. Xu, Fransductive Multi-Instance Multi-Label learning algorithm ...
  • X. Ke, S. Li, and D. Cao, 4 two-level model ...
  • P. Duygulu, K. Barnard, J. F. de Freitas, and D. ...
  • J. Verbeek, M. Guillaumin, T. Mensink, and C. Schmid, _ ...
  • Z. Li, Z. Shi, X. Liu, Z. Li, and Z. ...
  • A. Makadia, V. Pavlovic, and S. Kumar, Baselines for image ...
  • F. Shi, J. Wang, and Z. Wang, -Rgion-based supervised annotation ...
  • Z. Li, Z. Shi, X. Liu, and Z. Shi, Modeling ...
  • annotation and retrieval, " Pattern Recognit. Lett, vol. 32, no. ...
  • Z. Lu, H. H. Ip, and Y. Peng, contextual kernel ...
  • X. Zhang and C. Liu, _ annotation based _ similarity, ...
  • S. Bahrami, M. Saniee Abadeh, "Automatic image evolutionary algorithm." ...
  • T _ _ ec ommunicatios (IST), 2014 Seventh International Symposium ...
  • نمایش کامل مراجع