Please use this identifier to cite or link to this item: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/8700
Full metadata record
DC FieldValueLanguage
dc.contributor.authorΑπόστολος Μαρακάκης
dc.date.accessioned2018-07-22T22:39:29Z-
dc.date.available2018-07-22T22:39:29Z-
dc.date.issued2009-7-2
dc.date.submitted2009-12-24
dc.identifier.urihttp://artemis-new.cslab.ece.ntua.gr:8080/jspui/handle/123456789/8700-
dc.description.abstractΗ κατακόρυφη αύξηση του όγκου των διαθέσιμων ψηφιακών εικόνων τα τελευταία χρόνια έχει καθιερώσει το πρόβλημα της ανάκτησης εικόνων ως ένα από τα πιο ενδιαφέροντα και δημοφιλή στο χώρο των υπολογιστικών εφαρμογών. Η παρούσα διατριβή πραγματεύεται το πρόβλημα αυτό από τη σκοπιά της χρήσης τεχνικών μηχανικής μάθησης. Συγκεκριμένα, μας απασχολεί κυρίως η ανάκτηση εικόνων με βάση το περιεχόμενο, που χαρακτηρίζεται από την ύπαρξη του σημασιολογικού κενού μεταξύ των ψηφιακών δεδομένων των εικόνων και των σημασιολογικών κριτηρίων των χρηστών. Σε αυτό το πλαίσιο, εστιάζουμε στην τεχνική της συσχετιστικής ανατροφοδότησης. O στόχος μας είναι ο σχεδιασμός και η υλοποίηση πρωτότυπων μεθοδολογιών για την ενσωμάτωση της πληροφορίας που προέρχεται από την αξιολόγηση του χρήστη πάνω στα τρέχοντα αποτελέσματα, με σκοπό τη διαδοχική βελτίωση των τελευταίων.Όσο αφορά την αναπαράσταση των εικόνων βασιστήκαμε σε μεγάλο βαθμό στα Γκαουσιανά Μείγματα, για την περιγραφή της κατανομής των τοπικά υπολογιζόμενων διανυσμάτων χαρακτηριστικών. Το κύριο θέμα που σχετίζεται με τα Γκαουσιανά Μείγματα σε αυτό το πλαίσιο αφορά τη χρήση ενός αποδοτικά υπολογιζόμενου μέτρου απόστασης. Για το λόγο αυτό προχωρήσαμε σε μια εκτενή μελέτη γύρω από δημοφιλή και νέα μέτρα απόστασης μεταξύ Γκαουσιανών Μειγμάτων. Μετέπειτα, δύο νέες μέθοδοι συσχετιστικής ανατροφοδότησης αναπτύχθηκαν, οι οποίες χρησιμοποιούν Γκαουσιανά Μείγματα για την αναπαράσταση των εικόνων και ανάλογα μέτρα απόστασης που μπορούν να υπολογιστούν γρήγορα. Η πρώτη μέθοδος στηρίζεται σε μια πιθανοτική τεχνική ανανέωσης του μοντέλου της ερώτησης με βάση τα παραδείγματα του χρήστη. Αντίθετα, η δεύτερη μέθοδος που αναπτύχθηκε βασίζεται στη χρήση ταξινομητών, για το διαχωρισμό των σχετικών με την ερώτηση του χρήστη εικόνων από τις μη σχετικές. Τέλος, όσο αφορά την περίπτωση της αναπαράστασης των εικόνων μέσω πολυδιάστατων διανυσμάτων χαρακτηριστικών, μελετήθηκε η δυνατότητα χρήσης μεθόδων επιλογής χαρακτηριστικών, με σκοπό τη βελτίωση της ικανότητας του ταξινομητή να διακρίνει μεταξύ των σχετικών και των μη σχετικών εικόνων. Σε κάθε κύριο στάδιο της έρευνας, και για κάθε προτεινόμενη μέθοδο παρατίθενται κατάλληλα σχεδιασμένα πειράματα και συγκρίσεις. Από τα πειράματα αυτά αναδεικνύονται οι μεγάλες δυνατότητες βελτίωσης των αποτελεσμάτων της ανάκτησης εικόνων μέσω της χρήσης συσχετιστικής ανατροφοδότησης, και αποδεικνύεται η επιτυχία των προτεινόμενων μεθόδων και τα πλεονεκτήματα των Γκαουσιανών Μειγμάτων ως μοντέλα για τις εικόνες.
dc.languageGreek
dc.subjectμηχανική μάθηση
dc.subjectανάκτηση εικόνων
dc.subjectσυσχετιστική ανατροφοδότηση
dc.subjectγκαουσιανά μείγματα
dc.subjectεπιλογή χαρακτηριστικών
dc.titleΤεχνικές Μηχανικής Μάθησης Για Διαχείριση Γνώσης Σε Συστήματα Ανάκτησης Εικόνων
dc.typePhD Thesis
dc.description.pages196
dc.contributor.supervisorΣταφυλοπάτης Ανδρέας-Γεώργιος
dc.departmentΤομέας Τεχνολογίας Πληροφορικής & Υπολογιστών
dc.organizationΕΜΠ, Τμήμα Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών
Appears in Collections:Διδακτορικές Διατριβές - Ph.D. Theses

Files in This Item:
File SizeFormat 
PD2009-0029.pdf2.1 MBAdobe PDFView/Open


Items in Artemis are protected by copyright, with all rights reserved, unless otherwise indicated.