Σημασιολογική ανάλυση πολυμεσικού περιεχομένου με χρήση τεχνικών μηχανικής μάθησης

Περίληψη

Στα πλαίσια της παρούσας διδακτορικής διατριβής μελετάται το πρόβλημα της σημασιολογικής ανάλυσης του πολυμεσικού περιεχομένου με χρήση τεχνικών μηχανικής μάθησης, και ειδικότερα το ζήτημα της ανίχνευσης υψηλού επιπέδου σημασιολογικών εννοιών σε στατικές εικόνες και εικονοσειρές. Συγκεκριμένα, αρχικά προτείνεται μία προσέγγιση για τη σημασιολογική ανάλυση και την ταξινόμηση των εικόνων που στηρίζεται στο συνδυασμό τοπικών και καθολικών χαρακτηριστικών της εικόνας με χρήση πρότερης γνώσης για το πεδίο εφαρμογής. Στη συνέχεια, παρουσιάζεται μία μέθοδος αξιοποίησης της χωρικής πληροφορίας πλαισίου, η οποία στοχεύει στη βελτίωση των αποτελεσμάτων ανάλυσης των εικόνων που έχουν προκύψει με χρήση αποκλειστικά οπτικής πληροφορίας. Επιπρόσθετα, παρατίθεται μία εκτενής συγκριτική αξιολόγηση της προτεινόμενης μεθόδου με άλλες σύγχρονες τεχνικές της βιβλιογραφίας, η οποία έχει ως σκοπό τη σε βάθος διερεύνηση των πλεονεκτημάτων της κάθε τεχνικής και την απόκτηση μιας καλύτερης και πιο ολοκληρωμένη ...
περισσότερα

Περίληψη σε άλλη γλώσσα

In this thesis, the problem of the semantic analysis of the multimedia content using machine learning techniques, and in particular the issue of detecting high-level semantic concepts in static images and video sequences, is studied. Specifically, an approach to semantic image analysis and classification is initially proposed that is based on the combination of global and local image features, making use of domain-specific prior knowledge. Subsequently, a spatial context exploitation technique is presented, which aims at improving the image analysis results that have been computed using only visual information. Additionally, an extensive comparative evaluation of the proposed method with other similar techniques of the literature is conducted. The aim of this study is the in-depth investigation of the advantages of each technique and the gain of a better insight on the use of spatial context. Moreover, a novel approach to Hidden Markov Model (HMM)-based semantic video analysis, which r ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/23953
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/23953
ND
23953
Εναλλακτικός τίτλος
Semantic multimedia content analysis using machine learning techniques
Συγγραφέας
Παπαδόπουλος, Γεώργιος (Πατρώνυμο: Θεμιστοκλής)
Ημερομηνία
2011
Ίδρυμα
Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης (ΑΠΘ). Σχολή Πολυτεχνική. Τμήμα Ηελκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρονικής και Υπολογιστών
Εξεταστική επιτροπή
Στρίντζης Μιχαήλ-Γεράσιμος
Χασάπης Γεώργιος
Πέτρου Λουκάς
Μήτκας Περικλής
Πετρίδης Βασίλειος
Ντελόπουλος Αναστάσιος
Συμεωνίδης Ανδρέας
Επιστημονικό πεδίο
Επιστήμες Μηχανικού και Τεχνολογία
Επιστήμη Ηλεκτρολόγου Μηχανικού, Ηλεκτρονικού Μηχανικού, Μηχανικού Η/Υ
Λέξεις-κλειδιά
Σημασιολογική ανάλυση πολυμεσικού περιεχομένου; Μηχανική μάθηση; Αξιοποίηση πληροφορίας πλαισίου; Ανάλυση κίνησης
Χώρα
Ελλάδα
Γλώσσα
Ελληνικά
Άλλα στοιχεία
xxv, 226 σ., εικ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)