شما اینجائید:خانه»پیاده سازی مقاله»حاشیه نویسی خودکار تصاویر مبتنی بر مدل سازی مولد شبه نظارتی
حاشیه نویسی خودکار تصاویر مبتنی بر مدل سازی مولد شبه نظارتی
ارسال شده توسط:Papersimتاریخ ارسال: 2018/03/23در پیاده سازی مقالهدیدگاهها برای حاشیه نویسی خودکار تصاویر مبتنی بر مدل سازی مولد شبه نظارتی بسته هستند
هدف ما ،حاشیه نویسی خودکار تصاویر مبتنی بر مدل سازی مولد شبه نظارتی
روش های حاشیه نویسی نیازمند یک پایگاه داده حاشیه نویسی شده برای آموزش ارتباطات بین تصاویر و لغات می باشند. متاسفانه تهیه یک پایگاه داده برچسب خورده بسیار وقت گیر و پر هزینه می باشد. در این تحقیق، یک سیستم تکامل یافته حاشیه نویسی در چارچوب آموزش شبه نظارتی مد نظر قرار می گیرد که طی آن با مشارکت تصاویر برچسب نخورده در خلال فاز آموزش، نیازمندی سیستم به تصاویر برچسب خورده کاهش می یابد.
در این روش، یک مدل مولد برای هر یک از کلاس های معنایی در دو مرحله ساخته می شود. در مرحله اول، یک مدل مولد بر اساس توزیع گاما برای هر یک از کلاس های معنایی ایجاد می شود (مبتنی بر تصاویر برچسب خورده همان کلاس). در مرحله دوم، تصاویر برچسب نخورده مبتنی بر یک الگوریتم EM تصحیح شده برای بروز رسانی مدل مولد مد نظر قرار می گیرد. استفاده از روش مد نظر به روی پایگاه داده واقعی، حاکی از عملکرد مطلوب روش و دقت آن می باشد.
الگوریتم پیشنهادی
در این تحقیق، تمرکز به روی مدل سازی مولد شبه نظارتی برای حاشیه نویسی تصاویر می باشد. لذا پایگاه داده مبتنی بر پروتکل PSU مبتنی بر مرجع [*] مد نظر قرار گرفته و بر اساس آن شبیه سازی ها انجام شده است. برای تحقق اهداف این تحقیق، موارد ذیل مورد توجه قرار گرفته است:
یک مکانیزم استخراج ویژگی جدید برای استخراج خصیصه های رنگی و بافتی در زمان اندک و با دقت مناسب مد نظر قرار گرفته است.
در این تحقیق با قرار دادن خوشه بندی طیفی در استخراج پروتوتایپ سبب کاهش محدودیت هایی نظیر محاسبات پیچیده بهینه سازی با تعداد بالای متغییرها و دقت اندک الگوریتم های حریص شده ایم.
برای استفاده از تصاویر برچسب نخورده در فاز آموزش، مکانیزم خاصی برا تخصیص وزن به خصیصه ها در نظر گرفته شده است.
برا ی هر یک از مفاهیم، مدل اولیه ای در نظر گرفته شده تا با تصحیح پارامترها و تخمین آنها بروز رسانی و دقیق گردند.
نتیجه گیری:
می توان با در نظر گرفتن تصاویر اولیه برچسب خورده و ساخت مدل مولد شبه نظارتی مبتنی بر بروز رسانی المان های آن بر حسب تصاویر برچسب نخورده به مکانیزم حاشیه نویسی دست یافت که عملرد مناسبی هم در دقت و هم در سرعت نسبت به روشهای موجود همچون ALIPRدارند. نتایج حاصل از شبیه سازی از این موضوع حکایت می کنند.
مرجع پایگاه داده
[*] G. Carneiro, A.B. Chan, P.J. Moreno, N. Vasconcelos, Supervised learning of
semantic classes for image annotation and retrieval, IEEE Trans. PAMI 29 (3)
(2007) 394–410.
حاشیه نویسی خودکار تصاویر مبتنی بر مدل سازی
مولد شبه نظارتی
Automatic image annotation using semi-supervised
Generative modeling
Published in: Elsevier
Date of Publication: 2015
برای مشاهده مقاله ؛ تصویر فوق را کلیک کنید تا دانلودشود
مشخصات شبيه ساز:
دکتری مهندسی پزشکی
دانشگاه تهران
محتويات:
اصل مقاله
پياده سازي با Matlab
ضميمه کردن گزارش فارسي
دانلود فايل
فايل ويدئويي متخصص؛ نيز موجود ميباشد که در صورت نياز و با پرداخت جداگانه ايميل ميشود