Ανάλυση και αναζήτηση μεγάλου όγκου πολυμεσικών δεδομένων

Περίληψη

Στα πλαίσια της παρούσας διδακτορικής διατριβής μελετάται το πρόβλημα της ανάλυσης και αναζήτησης πολυμεσικών δεδομένων σε μεγάλες και δυναμικές βάσεις δεδομένων, και ειδικότερα ζητήματα που έχουν να κάνουν με την υπολογιστικά αποδοτική διαχείριση, ανάλυση και αναζήτηση μέσα σε μεγάλες βάσεις πολυμεσικών περιγραφέων (multimedia descriptors) και άλλων μεταδεδομένων πολυμέσων. Συγκεκριμένα, αρχικά παρουσιάζεται η σχετική βιβλιογραφία με έμφαση στα πολυμέσα, το διαδίκτυο και τα κοινωνικά δίκτυα. Στην συνέχεια, παρουσιάζεται μία νέα μέθοδος ομαδοποίησης (clustering) μεγάλου όγκου πολυδιάστατων διανυσματικών δεδομένων με χρήση ημι-εποπτευόμενης μάθησης και περιορισμούς, και παρατίθεται συγκριτική αξιολόγηση της μεθόδου με άλλες σχετικές μεθόδους. Ακολουθεί η παρουσίαση μεθόδου ομαδοποίησης πολυμεσικών δεδομένων από κοινωνικά δίκτυα για τον εντοπισμό συμβάντων στον πραγματικό κόσμο. Επιπρόσθετα παρουσιάζεται μία μεθοδολογία για την ανάλυση πολυδιάστατων διανυσμάτων περιγραφέων και η χρήση τ ...
περισσότερα

Περίληψη σε άλλη γλώσσα

In this thesis, the problem of analyzing and retrieving content from multimedia big data datasets and especially the computationally efficient approaches for handling, analysing and retrieving multimedia descriptors, is studied. Initially, a presentation and analysis of related work, with emphasis on multimedia, the Internet and the social web, is conducted. Next, a semi-supervised clustering method for large datasets of high-dimensional descriptor vectors is presented along with a comparative evaluation with other state of the art methods. The presentation of a social event detection method, from social multimedia content, follows. Moreover, a methodology for analysing high-dimensional multimedia vectors is presented and evaluated for the computationally efficient indexing of such vectors. In parallel, the thesis presents a methodology and the research findings of real-time analysis and retrieval of high volumes of multimedia content with the synergy of the crowd in a hybrid human mac ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/41980
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/41980
ND
41980
Εναλλακτικός τίτλος
Multimedia big data analysis and retrieval
Συγγραφέας
Σεμερτζίδης, Θεόδωρος (Πατρώνυμο: Δημήτριος)
Ημερομηνία
2017
Ίδρυμα
Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης (ΑΠΘ). Σχολή Πολυτεχνική. Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρονικής και Υπολογιστών. Εργαστήριο Επεξεργασίας Πληροφοριών
Εξεταστική επιτροπή
Στρίντζης Μιχαήλ
Μήτκας Περικλής
Συμεωνίδης Ανδρέας
Ντελόπουλος Αναστάσιος
Παπαδόπουλος Απόστολος
Τσουμάκας Γρηγόριος
Δάρας Πέτρος
Επιστημονικό πεδίο
Φυσικές Επιστήμες
Επιστήμη Ηλεκτρονικών Υπολογιστών και Πληροφορική
Επιστήμες Μηχανικού και Τεχνολογία
Επιστήμη Ηλεκτρολόγου Μηχανικού, Ηλεκτρονικού Μηχανικού, Μηχανικού Η/Υ
Λέξεις-κλειδιά
Αναζήτηση πολυμέσων; Μεγάλα πολυμεσικά δεδομένα; Ανάλυση μεγάλων δεδομένων; Δεδομένα κοινωνικών μέσων
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
xxxii, 150 σ., εικ., πιν., σχημ., γραφ.
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)