Content based image retrieval with high level semantics
İçerik tabanlı görüntü alma yüksek seviye semantik
- Tez No: 696514
- Danışmanlar: YRD. DOÇ. DR. ABDULLAHI ABDU IBRAHIM
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgi Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 61
Özet
Bu yüksek lisans tezi, üst düzey anlambilim ile İçerik Tabanlı Görüntü Alma (CBIR) üzerine odaklanmaktadır. görüntü işleme ve derin öğrenme tekniklerini kullanarak. Görüntü kenarının gelişimi CBIR optimizasyon görevi için Evrişimli Sinir Ağı (CNN) kullanan düzgünleştirme sistemi Sıcak takipte, görüntünün tüm kenarlarının düzleştirilmesine özel dikkat gösterilir. Meta boyuta yüksek eğilimi göz önüne alındığında, korumada ciddi düşüşlerle el ele gidiyor oranları ve görüntü görünümündeki yüksek kenarlar arası değişkenliğin yanı sıra güçlü bir gereksinim bir görüntünün gürültüden arındırılması için hekimin eğitimi göz korkutucu bir görev olarak kabul edilebilir. NS Bu araştırma tezinin amacı, içerik için bir derin öğrenme ve görüntü işleme hattı kullanmaktır. hibrit teknikler kullanılarak bir görüntüdeki kenarların bölütlenmesi için tabanlı görüntü alma derin öğrenme ve görüntüleme. ile farklı makalelerin literatür taraması yapılmıştır. CBIR için farklı görüntüleme modeli mimarileri. CNN özel modeli için oluşturuldu görev ve derin öğrenme tekniği (CNN) farklı seviyelerde hibrit ince ayar ile kullanılmıştır. görüntü işleme teknikleri. Kenarları yüksek doğrulukta tanımlamak için yüksek kenar filtresi taraması tartışma konusu olmuştur. Mevcut tartışmada, önerilen düzleştirme prosedürü kemiktir. Corel-1000 veri kümesinde içerik tabanlı görüntü alma ve optimizasyon için olası ön tarama teknikleri dahil yoğunluk tabanlı. Yeni tahmin modellerinin geliştirilmesi ve otomatikleştirilmiş yumuşatma, gelecekte genel tarama programlarına katkıda bulunabilir. özel derin öğrenme modeli mimarileri farklı derinlikleri temsil edecek şekilde tasarlanmıştır. Bunun arkasındaki fikir temsil kapasitesini artırmanın sonuçlara ve görselleştirmelere etkisini analiz etmek bir görüntüdeki tüm kenarlar. Ek olarak, temsil etmek için derin öğrenme CNN modeli oluşturuldu. geleneksel otomatik görüntü işleme yaklaşımı. Bazılarında görüntü işleme kullanılmıştır. örneğin görüntü alanı yapısının segmentasyonunda iyi sonuçlar veren görüntülerin kenarları ve incelenen görüntü yumuşatma alanlarının segmentasyonu. Çalışma aynı zamanda düşük eğitim hızı ve eğitim eksikliği gibi pratik derin öğrenme zorluklarına çözümler bulun. kesinlikle %98.47 doğrulukla şeffaflık. Görüntüleme ve derin öğrenme ardışık düzenleri MATLAB programlamasını kullanarak mevcut paralellikten yararlanmak için optimize edilmiştir. göz önünde bulundurulan birden fazla araçla dil.
Özet (Çeviri)
This master's thesis focuses on Content Based Image Retrieval (CBIR) with high level semantics using image processing and deep learning techniques. The development of image edge smoothening system using Convolutional Neural Network (CNN) for CBIR optimization task is in hot pursuit, with special attention being given to the smoothening of all the edges of image. Given its high propensity to meta-size, going hand in hand with severe decreases in preservation rates, and the high inter-edge variability in image appearance, as well as a strong requirement on the training of the physician properly de-noising an image can be considered a daunting task. The purpose of this research thesis is to use a deep learning and image processing pipeline for content based image retrieval for the segmentation of edges in an image using with hybrid techniques in deep learning and imaging. The literature review of different papers was conducted with different imaging model architectures for CBIR. The CNN custom model was created for the task, and deep learning technique (CNN) was used with different levels of fine tuning of hybrid image processing techniques. Screening for high edge filter to identify edges at high accuracy has been under debate. In current discussion, the suggested smoothening procedure is bone density based including possible prescreening techniques for content based image retrieval and optimization on Corel-1000 dataset. Development of new prediction models and automated smoothening could contribute to general screening programs in the future. The custom deep learning model architectures were designed to represent different depths. The idea behind this is to analyze the effect of increasing representational capacity to the results and visualizations for all edges in an image. Additionally, deep learning CNN model was created to represent traditional automated image processing approach. Image processing has been used in some edging of images, producing good results for example in segmentation of image area structure and segmentation of image smoothening areas under consideration. The study also attempts to find solutions to practical deep learning challenges such as low training speed and lack of transparency with an accuracy of 98.47% absolutely. The imaging and deep learning pipelines are optimized in order to exploit the available parallelism using the MATLAB programming language with multiple tools under consideration.
Benzer Tezler
- Türk halılarının görüntü veri tabanı kullanarak saklanması ve sorgulanması
Başlık çevirisi yok
BARBAROS GÜNAY
Yüksek Lisans
Türkçe
1998
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHİTTİN GÖKMEN
- Image classification for content based indexing
İçerik tabanlı indeksleme amaçlı görüntü sınıflandırma
SERDAR TANER
Yüksek Lisans
İngilizce
2003
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. METE SEVERCAN
- Seyrek temsil ile içerik tabanlı görüntü erişimi
Content based image retrieval with sparse representation
CEYHUN ÇELİK
Doktora
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HASAN ŞAKİR BİLGE
- Image auto-annotation based on combination of text and visual clustering
Resimlerin metin ve görsel kümelemeye dayalı olarak otomatik etiketlenmesi
ERBUĞ ÇELEBİ
Doktora
İngilizce
2006
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ADİL ALPKOÇAK
- Semi-automatic semantic video annotation tool
Yarı otomatik anlamsal video betimleme aracı
MERVE AYDINLILAR
Yüksek Lisans
İngilizce
2011
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Bölümü
PROF. DR. ADNAN YAZICI