دانلود مقاله ترجمه شده CLUE: بازیابی مبتنی بر خوشه تصاویر بوسیله یادگیری غیر نظارتی

چکیده

در سیستم ­های بازیابی تصویر مبتنی بر محتوا (CBIR)، تصاویر موجود در پایگاه داده نسبت به پرس و جویی که مطرح می­شود، بوسیله تشابهات ویژگی مرتب می­شوند. یافتن شباهت­ ها وظیفه اصلی در سیستم بازیابی تصویر است. در این مقاله یک روش بازیابی مبتنی بر خوشه تصاویر بوسیله یادگیری غیر نظارتی (CLUE)، جهت بهبود دادن تعاملات کاربر، بوسیله استفاده کامل از اطلاعات تشابه، معرفی می­ شود. CLUE خوشه­ های تصویر را بوسیله اعمال یک الگوریتم خوشه بندی تئوری گراف به یک مجموعه از تصاویر در همسایگی یا مجاورت پرس و جو، بازیابی می­کند. خوشه بندی در CLUE پویا است. به خصوص، CLUE می­تواند با هر سنجش تشابه متقارن مقدار-حقیقی (متریک یا غیر متریک) ترکیب شود. بنابراین، این روش  می­تواند در اکثر سیستم­ های CBIR حال حاضر، از جمله سیستم ­های بازخورد ارتباطی، استفاده شود. کارایی یک سیستم بازیابی تصویر آزمایشی با استفاده از CLUE بر روی پایگاه داده­ای با 60000 تصویر از COREL ارزیابی شده است. نتایج تجربی نشان دهنده بهبود عملکرد در مقایسه با یک سیستم بازیابی تصویر با استفاده از همان سنجش تشابه تصویر است. بعلاوه، نتایج روی تصاویر بدست آمده بوسیله جستجوی تصویر گوگل، پتانسیل ناشی از اعمال CLUE به داده­ های تصویر دنیای حقیقی را آشکار کرد و CLUE را بعنوان یک قسمت از رابط نرم افزاری برای سیستم ­های بازیابی تصویر مبتنی بر کلمه کلیدی، مورد توجه قرار داد.

1-1-کارهای قبلی

بازیابی تصویر مبتنی بر محتوا (CBIR) قصد دارد تا تکنیک­ هایی که بطور موثر جستجوهای کتابخانه­ های دیجیتالی تصویر بزرگ مبتنی بر ویژگی­ های تصویری مشتق شده خودکار را پشتیبانی می­کنند، توسعه دهد. بطور خلاصه، یک سیستم CBIR نوعی، تصویر پرس و جو و تصاویر موجود در پایگاه داده را بعنوان یک مجموعه از ویژگی­ ها نشان می­دهد و ارتباط بین تصویر پرس و جو و هر تصویر در پایگاه داده را به تناسب اندازه تشابه محاسبه شده از ویژگی­ ها، رتبه بندی می­کند....