Τεχνικές μηχανικής μάθησης για διαχείριση γνώσης σε συστήματα ανάκτησης εικόνων

Περίληψη

Η κατακόρυφη αύξηση του όγκου των διαθέσιμων ψηφιακών εικόνων τα τελευταία χρόνια έχει καθιερώσει το πρόβλημα της ανάκτησης εικόνων ως ένα από τα πιο ενδιαφέροντα και δημοφιλή στο χώρο των υπολογιστικών εφαρμογών. Η παρούσα διατριβή πραγματεύεται το πρόβλημα αυτό από τη σκοπιά της χρήσης τεχνικών μηχανικής μάθησης. Συγκεκριμένα, μας απασχολεί κυρίως η ανάκτηση εικόνων με βάση το περιεχόμενο, που χαρακτηρίζεται από την ύπαρξη του σημασιολογικού κενού μεταξύ των ψηφιακών δεδομένων των εικόνων και των σημασιολογικών κριτηρίων των χρηστών. Σε αυτό το πλαίσιο, εστιάζουμε στην τεχνική της συσχετιστικής ανατροφοδότησης. O στόχος μας είναι ο σχεδιασμός και η υλοποίηση πρωτότυπων μεθοδολογιών για την ενσωμάτωση της πληροφορίας που προέρχεται από την αξιολόγηση του χρήστη πάνω στα τρέχοντα αποτελέσματα, με σκοπό τη διαδοχική βελτίωση των τελευταίων. Όσο αφορά την αναπαράσταση των εικόνων βασιστήκαμε σε μεγάλο βαθμό στα Γκαουσιανά Μείγματα, για την περιγραφή της κατανομής των τοπικά υπολογιζόμενω ...
περισσότερα

Περίληψη σε άλλη γλώσσα

The rapid increase in the number of available digital images during recent years has established the problem of image retrieval as one of the most interesting and popular problems in the field of computer applications. The current thesis addresses the problem of image retrieval by employing machine learning techniques. In particular, we mainly consider content-based image retrieval, the most prominent characteristic of which is the existence of the semantic gap between the digital content of the images and the semantic criteria of the users. In this framework, we focus on the technique of relevance feedback. Our goal is the design and implementation of new methodologies, aiming at the incorporation of the information which comes from the evaluation provided by the user on the current results, in order to sequentially improve them. In what concerns image representation, we were based mainly on Gaussian Mixtures, for the description of the distribution of the locally extracted feature ve ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/17755
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/17755
ND
17755
Εναλλακτικός τίτλος
Machine learning techniques for knowledge management in image retrieval systems
Συγγραφέας
Μαρακάκης, Απόστολος του Π.
Ημερομηνία
2009
Ίδρυμα
Εθνικό Μετσόβιο Πολυτεχνείο (ΕΜΠ). Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Υπολογιστικών Συστημάτων
Εξεταστική επιτροπή
Σταφυλοπάτης Ανδρέας
Κόλλιας Στέφανος
Λύκας Αριστείδης
Γαλατσάνος Νικόλαος
Στάμου Γεώργιος
Νικήτα Κωνσταντίνα
Τσανάκας Παναγιώτης
Επιστημονικό πεδίο
Επιστήμες Μηχανικού και Τεχνολογία
Επιστήμη Ηλεκτρολόγου Μηχανικού, Ηλεκτρονικού Μηχανικού, Μηχανικού Η/Υ
Λέξεις-κλειδιά
Μηχανική μάθηση; Ανάκτηση εικόνων; Συσχετιστική ανατροφοδότηση; Γκαουσιανά μείγματα; Ταξινομητές; Επιλογή Χαρακτηριστικών; Σημασιολογικό κενό; Μηχανές διανυσματικής υποστήριξης
Χώρα
Ελλάδα
Γλώσσα
Ελληνικά
Άλλα στοιχεία
196 σ., εικ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)