Combining features using principal component analysis and independent component analysis for image retrieval
Görüntü alma için temel bileşen analizi ve bağimsiz bileşen analizi kullanarak özellikleri birleştirme
- Tez No: 850943
- Danışmanlar: PROF. DR. KHALED MAHAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2008
- Dil: İngilizce
- Üniversite: Arab Academy for Science, Technology & Maritime Transport
- Enstitü: Yurtdışı Enstitü
- Ana Bilim Dalı: Mühendislik ve Teknoloji Yönetimi Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 102
Özet
Görüntü içeriğine göre sorgulama (QBIC) ve içerik tabanlı görsel bilgi alımı (CBVIR) olarak da bilinen içerik tabanlı görüntü alma (CBIR), bilgisayarla görmenin görüntü alma sorununa, yani dijital arama sorununa uygulanmasıdır. büyük veritabanlarında görüntüler. Multimedya dosyalarının internet ortamında hızla artması ve yaygınlaşması nedeniyle bu alanda çok yoğun araştırmalar yapılmakta olup, bazı CBIR sistemleri de bulunmaktadır. Bu tezde önerilen teknik, özellikleri entegre etmenin ve indeksleme için Hiyerarşik kendi kendini organize eden haritayı (HSOM) kullanmanın faydalarından yararlanır, ancak özellik vektörünün uzunluğunu arttırmadan (normalleştirilmiş vektörleri bir vektörde birleştirmenin yaptığı gibi). Araştırmalar, Bağımsız Bileşen Analizi (ICA) ve Temel Bileşen Analizinin (PCA) projeksiyon takibinin iyi varyantları olduğunu göstermektedir. Bu tezde, çıktının aynı uzunluktaki girdi vektörünün sayısına eşit bir vektör kümesi olacağı PCA veya ICA kullanılarak öznitelikler birleştirilir, bu vektörler vektörün vektörün içinde olduğu HSOM seviyelerinde kullanılır. ilk seviyede daha düşük bileşen kullanılır (Düşük sıralı bileşenler genellikle verilerin“en önemli”yönlerini içerir), daha sonra bir sonraki seviyede daha yüksek bileşen vb. Dolayısıyla sonuç, HSOM'un her seviyesindeki tüm özelliklerin kombinasyonuna bağlıdır. Deneyler, birleştirilmiş özelliklerin, birleştirilmiş (PCA veya ICA kullanarak) ve birleştirilmemiş özelliklerden daha iyi alma performansı sağladığını, ancak arama sürecinde yinelenen karmaşıklığa sahip olduğunu göstermektedir. ICA kullanarak özellikleri birleştirmek, PCA kullanarak birleştirmeye göre daha iyi alma performansı sağlar ve bu da birleştirilmemiş özelliklerden daha iyi performans sağlar. PCA ve ICA kullanarak özellikleri birleştirmek, arama sürecinin karmaşıklığını artırmaz. Ek karmaşıklık, çevrimdışı yapılan özellik çıkarma işlemindedir.
Özet (Çeviri)
Content-based image retrieval (CBIR), also known as query by image content (QBIC) and content-based visual information retrieval (CBVIR) is the application of computer vision to the image retrieval problem, that is, the problem of searching for digital images in large databases. There is a very intensive research effort done on this field due to the rapid increase of number, and usage of multimedia files on the internet, also there are some CBIR systems. The proposed technique in this thesis profits from the benefits of integrating features, and using the Hierarchal self-organizing map (HSOM) for indexing, but, without increasing the length of the feature vector (as concatenating the normalized vectors in one vector do). Researches show that Independent Component Analysis (ICA) and Principal Component Analysis (PCA) are good variants of projection pursuit. In this thesis, features are combined using PCA or ICA, where the output will be a set of vectors equal to the number of the input vector with the same length, these vectors are used in the levels of the HSOM, where the vector in the lower component is used in the first level (Low-order components often contain the“most important”aspects of the data), then the higher component in the next level and so on. So, the result depends on the combination of all features in each level of the HSOM. Experiments show that concatenated features give better retrieval performance than combined (using PCA or ICA) and uncombined features, but with duplicated complexity in the search process. Combining features using ICA gives better retrieval performance than combining using PCA which in turn achieve better performance than uncombined features. Combining features using PCA and ICA do not increase the complexity of the searching process. The additional complexity is in the feature extraction process, which is done offline.
Benzer Tezler
- Burulmalı bağlaşık çok katlı yapıların elastik deprem analizi
Elastic earthquake analysis torsionally coupled multistorey buildings
ERKAN ÇELEBİ
- Incremental construction of cost-conscious ensembles using multiple learners and representations in machine learning
Yapay öğrenmede çoklu öğrenici ve gösterimleri kullanarak maliyet bilinçli kümelerin artırımlı oluşturulması
MEHMET AYDIN ULAŞ
Doktora
İngilizce
2009
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Bölümü
PROF. DR. ETHEM ALPAYDIN
- Improving sentiment analysis based deep learning by using feature selection
Özellik seçimini kullanarak duygu analizine dayalı derin öğrenmeyi iyileştirme
MOHAMMED HUSSEİN ABDALA
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. FATİH ÖZYURT
- Karayolu köprülerinin sismik boyutlandırılmasıyla ilgili bazı yönetmeliklerin incelenmesi, karşılaştırılması ve uygulamalar
Investigations and comparisons on some rugulations for seismic design of highway bridges and applications
ŞÜKRÜ EROL
- Deprem kuvvetlerine karşı betonarme perdelerin davranışı ve boyutlandırılması
The Behaviour and design of reinforced concrete structural walls for earthquake resistance
YILDIR AKKAYA
Yüksek Lisans
Türkçe
1997
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ZEKAİ CELEP