scholarly journals Τεχνικές ομαδοποίησης και κοντινότερου γείτονα για οπτική αναζήτηση εικόνων

2014 ◽  
Author(s):  
Ιωάννης Καλαντίδης
Keyword(s):  
Image Retrieval ◽  
Expectation Maximization ◽  
State Of The Art ◽  
Visual Image ◽  
Multi Index

Στην παρούσα εργασία προτείνονται βελτιώσεις στην οπτική αναζήτηση εικόνων, με τεχνικές που βασίζονται κυρίως σε ομαδοποίηση. Η ομαδοποίηση εκτελείται είτε στο χώρο των χαρακτηριστικών είτε στο χώρο των εικόνων, σε πολυδιάστατους διανυσματικούς ή μετρικούς χώρους, αντίστοιχα.Αρχικά προτείνουμε μια νέα, γενικότερη μέθοδο ομαδοποίησης, η οποία συνδυάζει την περιγραφική δύναμη των μοντέλων μείγματος κανονικών κατανομών με τις ιδιότητες που απαιτούνται κατά την κατασκευή μεγάλης κλίμακας οπτικών λεξικών για αναζήτηση εικόνων. Είναι μια παραλλαγή του αλγορίθμου expectation-maximization που μπορεί να συγκλίνει γρήγορα, ενώ παράλληλα μπορεί να εκτιμήσει δυναμικά τον τελικό αριθμό των συνιστωσών. Επιστρατεύουμε τεχνικές προσεγγιστικών κοντινότερων γειτόνων για την επιτάχυνση του E-step του αλγορίθμου EM και εκμεταλλευόμαστε την επαναληπτική του φύση για να κάνουμε την αναζήτηση αυξητική, βελτιώνοντας την ταχύτητα αλλά και την ακρίβεια. Καταλήγουμε να έχουμε απόδοση υψηλότερη από το state of the art της αναζήτησης σε μεγάλες βάσεις εικόνων, ενώ είμαστε ταυτόχρονα το ίδιο γρήγοροι με τις πλέον γρήγορες γνωστές τεχνικές κατασκευής οπτικών λεξικών.Έπειτα, παρουσιάζουμε μια νέα μέθοδο για αναζήτηση κοντινότερου γείτονα, μια μέθοδο που βελτιστοποιεί παραγοντικούς κβαντιστές τοπικά και έτσι μειώνει σημαντικά την παραμόρφωση κατά τον κβαντισμό. Αν συνδυαστεί με τη μέθοδο δεικτοδότησης multi-index, καταφέρνει να ξεπεράσει τα μέχρι τώρα καλύτερα δημοσιευμένα αποτελέσματα στην αναζήτηση κοντινότερου γείτονα σε ένα σύνολο με ένα δισεκατομμύριο πολυδιάστατα σημεία. Παράλληλα απολαμβάνει ταχύτητες αναζήτησης της τάξεως των λίγων millisecond, γεγονός που την καθιστά ανταγωνιστική ως προς το χρόνο ακόμα και σε σχέση με μεθόδους κατακερματισμού(hashing).Προτείνουμε επίσης τους χάρτες σκηνών και θα δείξουμε ότι μια εκ των προτέρων ομαδοποίηση των εικόνων της συλλογής μπορεί να βελτιώσει την απόδοση της οπτικής αναζήτησης, ενώ παράλληλα ένα κριτήριο παραμόρφωσης μπορεί να εγγυηθεί την ανάκτηση ακόμα και απομονωμένων εικόνων από μη δημοφιλής τοποθεσίες όπως σε ένα γενικό σύστημα αναζήτησης εικόνων. Προτείνουμε μια λύση που παρότι μπορεί να δουλέψει σε συλλογές εκατομμυρίων εικόνων, μπορεί να ανακτήσει ακόμα και τις μη δημοφιλής εικόνες απαιτώντας μονάχα ένα ποσοστό της αρχικής μνήμης.Παρουσιάσουμε τέλος ένα ολοκληρωμένο σύστημα αναζήτησης εικόνων, το οποίο μπορεί να χρησιμοποιηθεί για αυτόματο γεωγραφικό εντοπισμό καθώς και για αναγνώριση οροσήμων ή σημείων ενδιαφέροντος, όπου αυτό είναι εφικτό. Το VIRaL (Visual Image Retrieval and Localization) παρέχει δημόσια πρόσβαση στις προαναφερθείσες τεχνολογίες μέσω ενός ενοποιημένου γραφικού διαδικτυακού περιβάλλοντος. Η διατριβή καταλήγει με τη συνοπτική περιγραφή μερικών ακόμα δημοσιεύσεων που εστιάζουν σε εφαρμογές της οπτικής αναζήτησης καθώς και τα συμπεράσματα της έρευνας.

scholarly journals Remote Sensing Image Retrieval with Gabor-CA-ResNet and Split-Based Deep Feature Transform Network

2021 ◽  
Vol 13 (5) ◽  
pp. 869
Author(s):  
Zheng Zhuo ◽  
Zhong Zhou
Keyword(s):  
Remote Sensing ◽  
Image Retrieval ◽  
State Of The Art ◽  
Remote Sensing Image ◽  
Storage Space ◽  
Remote Sensing Images ◽  
Retrieval Method ◽  
Organization Management ◽  
Deep Feature ◽  
Feature Transform

In recent years, the amount of remote sensing imagery data has increased exponentially. The ability to quickly and effectively find the required images from massive remote sensing archives is the key to the organization, management, and sharing of remote sensing image information. This paper proposes a high-resolution remote sensing image retrieval method with Gabor-CA-ResNet and a split-based deep feature transform network. The main contributions include two points. (1) For the complex texture, diverse scales, and special viewing angles of remote sensing images, A Gabor-CA-ResNet network taking ResNet as the backbone network is proposed by using Gabor to represent the spatial-frequency structure of images, channel attention (CA) mechanism to obtain stronger representative and discriminative deep features. (2) A split-based deep feature transform network is designed to divide the features extracted by the Gabor-CA-ResNet network into several segments and transform them separately for reducing the dimensionality and the storage space of deep features significantly. The experimental results on UCM, WHU-RS, RSSCN7, and AID datasets show that, compared with the state-of-the-art methods, our method can obtain competitive performance, especially for remote sensing images with rare targets and complex textures.

scholarly journals Improved Initialization of the EM Algorithm for Mixture Model Parameter Estimation

Mathematics ◽  
2020 ◽  
Vol 8 (3) ◽  
pp. 373
Author(s):  
Branislav Panić ◽  
Jernej Klemenc ◽  
Marko Nagode
Keyword(s):  
Em Algorithm ◽  
Density Estimation ◽  
Mixture Model ◽  
Expectation Maximization ◽  
State Of The Art ◽  
R Package ◽  
Likelihood Estimator ◽  
Local Optima ◽  
The Em Algorithm ◽  
Initialization Algorithm

A commonly used tool for estimating the parameters of a mixture model is the Expectation–Maximization (EM) algorithm, which is an iterative procedure that can serve as a maximum-likelihood estimator. The EM algorithm has well-documented drawbacks, such as the need for good initial values and the possibility of being trapped in local optima. Nevertheless, because of its appealing properties, EM plays an important role in estimating the parameters of mixture models. To overcome these initialization problems with EM, in this paper, we propose the Rough-Enhanced-Bayes mixture estimation (REBMIX) algorithm as a more effective initialization algorithm. Three different strategies are derived for dealing with the unknown number of components in the mixture model. These strategies are thoroughly tested on artificial datasets, density–estimation datasets and image–segmentation problems and compared with state-of-the-art initialization methods for the EM. Our proposal shows promising results in terms of clustering and density-estimation performance as well as in terms of computational efficiency. All the improvements are implemented in the rebmix R package.

An Image Retrieval Algorithm Based on Region Segmentation

2014 ◽  
Vol 596 ◽  
pp. 337-341 ◽  
Author(s):  
Xiao Mei Xiong ◽  
Yong Lang Liu
Keyword(s):  
Image Segmentation ◽  
Image Retrieval ◽  
Visual Image ◽  
Retrieval Algorithm ◽  
Manual Annotation ◽  
Region Segmentation ◽  
Long Time ◽  
And Performance ◽  
Time Image ◽  
Rich Content

Visual image, as a kind of rich content and performance of multimedia information, has been tremendously popular for a long time. Image retrieval technology is complicated than text retrieval, due to text-based image retrieval is often need manual annotation, so very laborious and individual subjective factors are there. In order to solve these problems, this paper puts forward a kind of image retrieval algorithm based on improved region segmentation. First, use of image segmentation technology, dividing the image into several regions, then to match each region and the being tested image, and obtained retrieval results in the end. It can be seen through experiment, the user only needs to submit a retrieval image, so it can greatly reduce the user's retrieval burden, and improve the efficiency of retrieval.

Visual image retrieval

2009 ◽  
Vol 42 (1) ◽  
pp. 1-42 ◽  
Author(s):  
Peter G. B. Enser
Keyword(s):  
Image Retrieval ◽  
Visual Image

scholarly journals VIRaL: Visual Image Retrieval and Localization

2010 ◽  
Vol 51 (2) ◽  
pp. 555-592 ◽  
Author(s):  
Yannis Kalantidis ◽  
Giorgos Tolias ◽  
Yannis Avrithis ◽  
Marios Phinikettos ◽  
Evaggelos Spyrou ◽  
...  
Keyword(s):  
Image Retrieval ◽  
Visual Image

scholarly journals Automated Multimodal image fusion for brain tumor detection

2021 ◽  
Vol 3 (1) ◽  
pp. 68-82
Author(s):  
Harpreet Kaur ◽  
◽  
Deepika Koundal ◽  
Virendar Kadyan ◽  
Navneet Kaur ◽  
...  
Keyword(s):  
Image Fusion ◽  
State Of The Art ◽  
Signal To Noise Ratio ◽  
Visual Image ◽  
Fusion Rule ◽  
Resonance Imaging ◽  
Signal To Noise ◽  
Multiple Images ◽  
Fused Image ◽  
Magnetic Resonance Imaging Mri

In medical domain, various multimodalities such as Computer tomography (CT) and Magnetic resonance imaging (MRI) are integrated into a resultant fused image. Image fusion (IF) is a method by which vital information can be preserved by extracting all important information from the multiple images into the resultant fused image. The analytical and visual image quality can be enhanced by the integration of different images. In this paper, a new algorithm has been proposed on the basis of guided filter with new fusion rule for the fusion of different imaging modalities such as MRI and Fluorodeoxyglucose images of brain for the detection of tumor. The performance of the proposed method has been evaluated and compared with state-of-the-art image fusion techniques using various qualitative as well as quantitative evaluation metrics. From the results, it has been observed that more information has achieved on edges and content visibility is also high as compared to the other techniques which makes it more suitable for real applications. The experimental results are evaluated on the basis of with-reference and without-references metric such as standard deviation, entropy, peak signal to noise ratio, mutual information etc.

Sign in / Sign up

Export Citation Format

Share Document