跳到主要內容

臺灣博碩士論文加值系統

(3.236.84.188) 您好!臺灣時間:2021/08/05 01:24
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:柳依旻
研究生(外文):Yi-Min Liu
論文名稱:使用調變式相關回饋技術之內容導向式影像讀取
論文名稱(外文):Adaptive Relevance Feedback Techniques for Content-Based Image Retrieval
指導教授:尹邦嚴尹邦嚴引用關係
指導教授(外文):Peng-Yeng Yin
學位類別:碩士
校院名稱:國立暨南國際大學
系所名稱:資訊管理學系
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2007
畢業學年度:95
語文別:中文
論文頁數:59
中文關鍵詞:內容導向式影像讀取相關回饋粒子族群最佳化演算法調變式參數分枝界定演算法二元搜尋演算法
外文關鍵詞:Content-based image retrievalRelevance feedbackParticle swarm optimizationAdaptive parameter valuesBranch and boundBinary search
相關次數:
  • 被引用被引用:0
  • 點閱點閱:102
  • 評分評分:
  • 下載下載:14
  • 收藏至我的研究室書目清單書目收藏:0
由於近年來的網路普及化,再加上使用者對於影像存取需求量的增加,造成了多媒體資料庫的大幅成長,因此需要更多有效率的影像搜尋技術。而相關回饋(Relevance Feedback, RF)的技術則是利用與使用者間持續的互動、回饋,來搜尋與輸入的查詢影像相類似的影像。但是,過去提出的相關回饋方法大都使用固定的系統參數來最大化讀取結果的準確率,但是影像資料庫的內容通常相當多元而紛亂,不同類別的影像用同一組系統參數進行學習是有待商確的。因此,本研究以傳統相關回饋技術中的查詢向量修正法(Query Vector Modification, QVM)及特徵相關度評估法(Feature Relevance Estimation, FRE)為例,利用粒子族群最佳化演算法(Particle Swarm Optimization, PSO)學習最佳QVM及FRE的系統參數,期望能藉由PSO演算法來解決只有一組固定系統參數的情況,並紀錄粒子族群最佳化演算法學習過程中的經驗,將其經驗利用在相關回饋上,找尋出每張影像最佳的系統參數,增進影像搜尋的效率以能更快的滿足使用者的需求。
Due to the popularity of Internet and the growing demand of image access, the volume of image databases is exploding. Hence, we need a more efficient and effective image searching technology. Relevance feedback (RF) is an interaction process between the user and the system such that the user’s information need is satisfied by the retrievals from the system. Traditional RF techniques use the same system parameter values for all types of query images. It is questionable that the best performance can be obtained through such setting. Hence, we propose self-adapting parameterization for the traditional relevance feedback approaches including the query vector modification (QVM) and the feature relevance estimation (FRE) methods using the particle swarm optimization. As such different system parameter values can be used to handle various types of queries, the retrieval system is thus more efficient and effective.
摘 要 II
Abstract III
目 錄 IV
圖目錄 VI
表目錄 VIII
第一章 緒  論 1
1.1 研究動機與背景 1
1.2 研究目的 1
1.3 論文架構 2
第二章 文獻探討 3
2.1 相關回饋 3
2.1.1 查詢向量修正法(Query Vector Modification, QVM) 3
2.1.2 特徵相關度評估法(Feature Relevance Estimation, FRE) 5
2.1.3 貝氏推論(Bayesian Inference, BI) 7
2.1.4 辨識演算法(Classification-based Method, CBM) 8
2.1.5 長期學習(Long-term Learning) 11
2.2 粒子族群最佳化演算法(Particle Swarm Optimization algorithm, PSO) 12
第三章 研究方法 16
3.1 分枝界定演算法(Branch and Bound) 18
3.2 FRE特徵向量先行排序結合二元搜尋演算法(Binary Search) 19
3.3 影像簡易分群 21
3.4 PSO為基礎之調變式QVM 22
3.5 PSO為基礎之調變式FRE 23
3.6 PSO為基礎之調變式FRE數學規劃 24
3.7 PSO為基礎之調變式QVM結合FRE 26
第四章 實驗結果 28
4.1 實驗設計 28
4.2 效能分析 29
4.2.1 PSO為基礎之調變式QVM 30
4.2.2 PSO為基礎之調變式FRE 34
4.2.3 PSO為基礎之調變式FRE數學規劃 38
4.2.4 PSO為基礎之調變式QVM結合FRE 44
4.3 時間效能分析 49
4.4 收斂分析 50
4.4.1 PSO為基礎之調變式QVM 51
4.4.2 PSO為基礎之調變式FRE 52
4.4.3 PSO為基礎之調變式FRE數學規劃 52
4.4.4 PSO為基礎之調變式QVM結合FRE 54
第五章 結論與未來展望 55
5.1 結論 55
5.2 未來展望 56
參考文獻 57
[1] M. Flickner and H. Sawhney, “Query by image and video content: the QBIC system,” IEEE Computer. 28, pp.23-32, 1995.
[2] J. C. M. Lee and A. K. Jain(Ed), “Special Issue on Image Database,” Pattern Recognition. 30, 1997.
[3] Y. Rui, T. S. Huang, S. F. Chang, “Image retrieval: current techniques, promising directions, and open issues,” Journal of Visual Communication and Image Representation. 10, pp.39-62, 1999.
[4] A. W. M. Smeulders, M. Worring, S. santini, A. Gupta and R. Jain, “Content-Based Image Retrieval at the End of the Early years,” IEEE Transactions on Pattern Analysis and Machine Intelligence. 22, pp.1349 – 1380, September 2000.
[5] J.J. Rocchio, Jr., “Relevance feedback in information retrieval,” in The SMART System, G. Salton(Ed), Prentice-Hall, New Jersey, pp.313-323, 1971.
[6] E. Ide and G. Salton, “Interactive search strategies and dynamic file organization in information retrieval,” in The SMART System, G. Salton(Ed), Prentice-Hall, New Jersey, pp.379-393, 1971.
[7] Y. Rui, T. S. Huang, M. Ortega, and S. Mehrotra, “Relevance feedback: a power tool for interactive content-based image retrieval,” IEEE Trans. Circuits and Systems for Video Technology. 8 , pp.644-655, 1998.
[8] J. Peng, B. Bhanu, and S. Qing, “Probabilistic feature relevance learning for content-based image retrieval,” Computer Vision and Image Understanding. 75, pp.150-164, 1999.
[9] C. Meilhac and C. Nastar, “Relevance feedback and category search in image database,” Proceedings of the International Conference on Multimedia Computing and Systems, pp.512-517 , 1999.
[10] I. J. Cox, M. L. Miller, T. P. Minka, T. V. Papathomas, and P. N. Yianilos, “The Bayesian Image Retrieval System, PicHunter: Theory, Implementation, and Psychophysical Experiments,” IEEE Trans. Image Processing, pp.20-37, January 2000.
[11] Tieu, K. and Viola, P., “Boosting image retrieval,” Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.228-235, 2000.
[12] Huang, S. and Zhou, Xiang Sean and Cohen, Ira and Wu, Ying, “Learning in Content-based image retrieval,” Proceedings of International Conference on Development and Learning, 2002.
[13] Tong, S., and Chang, E., “Support vector machine active learning for image retrieval,” Proceedings of ACM International Conference on Multimedia, Ottawa, Canada, 2001.
[14] Bing Wang, Xin Zhang, and Na Li, “Relevance feedback technique for content-based image retrieval using neural network learning,” Proceedings of the Fifth International Conference on Machine Learning and Cybernetics, Dalian, pp.13-16 August 2006.
[15] B. Bhanu and A. Dong, “Concept learning with fuzzy clustering and relevance feedback,” Engineering Applications and Artificial Intelligence. 15, pp.123-138, 2002.
[16] P. Y. Yin, B. Bhanu, K.C. Chang and A. Dong, “Improving retrieval performance by long-term relevance information,” Proceedings of International Conference on Pattern Recognition 3, pp.533-536, 2002.
[17] P. Y. Yin, B. Bhanu, K.C. Change and A. Dong, “Integrating relevance feedback techniques for image retrieval using reinforcement learning,” IEEE Trans. Pattern Analysis and Machine Intelligence.
[18] J. Kennedy and R. C. Eberhart, “Particle swarm optimization,” Proceedings of IEEE Int’l. Conference on Neural Networks, IV, pp.1942-1948, 1995.
[19] R. C. Eberhart and Y. Shi, “Comparing interia weights and constriction factors in particle swarm optimization,” IEEE conference, Evolutionary Computation, 1998.
[20] M. Clerc, The swam and the queen: towards a deterministic and adaptive particle swarm optimization, Proceedings Of 1999 Congress on Evolutionary Computation (CEC’99), Washington, DC, pp.1951-1957, 1999.
[21] Chunru Wan and MingChun Liu, “Content-based audio retrieval with relevance feedback,” Pattern Recognition Letters 27, pp.85-92, 2006.
[22] Visualization and Intelligent Systems Lab(VISLab), University of California, Riverside. Http://www.vislab.ucr.edu.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
1. 鄭惠美(1999)。台灣地區學童母親急救知能學習行為研究。衛生教育學報,75-94。
2. 許咨民(2000)。國民事故傷害死亡統計分析。中國統計通訊,11(8),5-11。
3. 鄭珠里、鄭惠美(1998)。家扶中心受訓保姆對嬰幼兒急救之知識、態度與課程需求研究。衛生教育學報,21-36。
4. 鄭惠美(1998)。社區民眾健康促進自我導向學習經驗研究—以學童母親自我導向學習急救急救知能為例。衛生教育學報,37-58。
5. 林秀碧、賴怜蜜、林佳蓉、高慧娟(2001)。幼稚園、托兒所教保人員對幼兒骨折急救之知識、態度與施救技能。公共衛生,28(3),229-239。
6. 林貴滿、廖芬玲、李佳玲、張彩秀(2005)。心肺復甦術教育課程介入後對學生之急救知識、態度及技能之影響。弘光學報,47,13-24。
7. 苗迺芳(1992)。中華民國紅十字會急救課程評價及需求研究。公共衛生,19(3),276-293。
8. 藺寶珍、王瑞霞、許貂琳(2002)。某醫專學生對事故傷害急救的知識與態度及其相關因素。醫護科技學刊,4(2),146-160。
9. [11]周朝富、鄭祈全,「利用SPOT 衛星資訊探測林地覆蓋變遷之研究」,林業試驗所研究報告季刊,第7卷第4期,305~317頁,民國81年。
10. [15]張石角,「山坡地潛在危險之預測及其在環境影響評估之應用」,中華水土保持學報,第18卷第2期,41~62頁,民國76年。
11. [28]溫琇玲、廖洪鈞、林郁欽、蘭雅森,「鑑別分析法應用於坡地社區邊坡崩塌機率之評估研究」,建築學報,第37期,49~63頁,民國90年。
12. [31]劉進金,「山崩之遙測影像自動分析」,遙感探測期刊,第8期,60~90頁,民國76年。
13. [33]蕭國鑫、尹承遠、劉進金、游明芳、王晉倫等,「 SPOT 影像與航照資料應用於崩塌地辨識之探討」,航測及遙測學刊,第8卷第4期,29~42頁,民國92年。