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
Κατεβάστε τη διατριβή σε μορφή PDF (16.24 MB)
(Η υπηρεσία είναι διαθέσιμη μετά από δωρεάν εγγραφή)
|
Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.
|
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
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.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.