Một phương pháp tra cứu ảnh hiệu quả kết hợp đặc trưng mức thấp và đặc trưng học sâu nhúng với đánh hạng đa tạp

Bài viết "Một phương pháp tra cứu ảnh hiệu quả kết hợp đặc trưng mức thấp và đặc trưng học sâu nhúng với đánh hạng đa tạp" đề xuất sử dụng đặc trưng kết hợp các đặc trưng mức thấp và DFE để tận dụng cả các đặc điểm của đặc trưng mức thấp và DFE. Các thử nghiệm đã được tiến hành đã chứng minh tính hiệu quả của các đặc trưng được đề xuất khi làm tăng đáng kể kết quả đánh hạng của EMR. Mời các bạn cùng tham khảo!
Nội dung trích xuất từ tài liệu:
Một phương pháp tra cứu ảnh hiệu quả kết hợp đặc trưng mức thấp và đặc trưng học sâu nhúng với đánh hạng đa tạp Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022) MỘT PHƯƠNG PHÁP TRA CỨU ẢNH HIỆU QUẢ KẾT HỢP ĐẶC TRƯNG MỨC THẤP VÀ ĐẶC TRƯNG HỌC SÂU NHÚNG VỚI ĐÁNH HẠNG ĐA TẠP Hoàng Văn Quý*1, Nguyễn Thế Cường1, Ngô Hoàng Huy2, Trần Văn Huy1, Hoàng Xuân Trung3, Nguyễn Văn Đoàn4, Nguyễn Văn Quyền5 1 Trường Đại học Hồng Đức 2 Trường Đại học CMC 3 Trường Đại học Kinh doanh và công nghệ 4 Trường Đại học Điện Lực 5 Trường Đại học Hải Phòng Email: hoangvanquy@hdu.edu.vn, nguyenthecuong@hdu.edu.vn, tranlehuy@hdu.edu.vn, nhhuy@cmc-u.edu, trungvnit@gmail.com, doannv@epu.edu.vn, quyennv@dhhp.edu.vn Abstract — Trong CBIR, ảnh có thể biểu diễn bằng nhiều điểm có giá trị xếp hạng lớn nhất. Để tăng hiệu quả tính đặc trưng mức thấp mô tả các đặc điểm về màu sắc, kết cấu và hình dạng của hình ảnh. Sự thành công của đặc toán EMR đã sử dụng các điểm neo thay thế cho việc trưng học sâu được nhúng (DFE), dựa trên kiến trúc học xét toàn bộ tập dữ liệu ảnh. Các điểm neo được xác định sâu để trích xuất tính năng từ dữ liệu và có được các tính bằng tâm của các cụm thu được sau khi sử dụng thuật năng nhúng có tính phân biệt cao hơn đặc trưng mức thấp. Ưu điểm của các đặc trưng mức thấp là bất biến toán phân cụm K-means trên tập dữ liệu gốc. theo tỷ lệ và dễ tính toán mà không cần học, trong khi DFE cung cấp khả năng phân biệt cao hơn. Trong bài báo này chúng tôi đề xuất một phương Để nâng cao hiệu quả truy xuất ảnh dựa trên đánh pháp mới xác định các điểm neo để tăng hiệu quả của hạng đa tạp là EMR, trong bài báo này, chúng tôi đề xuất thuật toán đánh hạng đa tạp EMR bằng thuật toán phân sử dụng đặc trưng kết hợp các đặc trưng mức thấp và DFE để tận dụng cả các đặc điểm của đặc trưng mức thấp cụm mờ C- means (FCM) cải tiến. Thuật toán đề xuất và DFE. Các thử nghiệm đã được tiến hành đã chứng có thể phân cụm được hiệu quả khi số cụm rất lớn (có minh tính hiệu quả của các đặc trưng được đề xuất khi làm tăng đáng kể kết quả đánh hạng của EMR. thể lên đến 10% cho tới 20% của số phần từ của tập dữ Keywords — Big data, EMR, K-means, FCM, liệu). CBIR, Deep feature embedding (DFE), Resnet50. Phần còn lại của bài báo được tổ chức như sau. I. GIỚI THIỆU Phần 2, một số nghiên cứu liên. Phần 3 là đề xuất thuật Độ đo đánh hạng đa tạp [1,2,3,4,5] đo độ tương toán xác định các điểm neo theo tiếp cận phân cụm sử tự của các ảnh được sử dụng rộng rãi trong CBIR. Với dụng thuật toán FCM và các thuật toán EMR cải tiến một giả định rằng mỗi điểm dữ liệu trong một không trong CBIR. Các kết quả thực nghiệm đưa ra trong gian đặc trưng có một mối quan hệ với các điểm dữ liệu phần 4. Kết luận và hướng nghiên cứu tiếp theo được khác tương tự trong không gian, thuật toán trước hết trình bày trong phần 5. xây dựng một đồ thị có trọng số cho tất cả các điểm dữ II. NGHIÊN CỨU LIÊN QUAN liệu trong không gian đặc trưng ở đó mỗi cạnh được 2.1. Thuật toán đánh hạng đa tạp EMR gán một trọng số để biểu diễn mối liên quan dữ liệu Một bước quan trọng của thuật toán EMR [1] là giữa hai điểm. Đầu tiên, điểm dữ liệu truy vấn ban đầu xác định giá trị thứ hạng tương tự của ảnh trong CSDL được gán một giá trị nhất định, các điểm dữ liệu còn lại với ảnh truy vấn là sử dụng độ đo đa tạp chỉ cho các có liên quan được gán giá trị 0. Thứ hai, tất cả các điểm vector ảnh neo thay vì trên toàn bộ cơ sở dữ liệu ảnh. dữ liệu lan truyền xếp hạng của chúng đến các điểm dữ liệu bên cạnh thông qua các trọng số của cạnh. Quá Trong thuật toán EMR quan hệ kề nhau của hai trình lan truyền của các điểm số xếp hạng lặp đi lặp lại vector ảnh được xây dựng dựa trên các điểm neo cho đến khi hội tụ tới một tình trạng ổn định toàn cục. (anchor) thay vì dựa trên quan hệ s-láng giềng của từng Các điểm chính thức được xếp hạng đại diện cho việc vector ảnh, nghĩa là Ei gọi là được nối với Ej nếu i≠j và giống nhau giữa điểm dữ liệu và điểm truy vấn. Các tồn tại một điểm neo chung Ac nào đó sao cho Ac là s- điểm dữ liệu tương tự như các điểm truy vấn là những láng giềng của mỗi Ei và Ej; ISBN 978-604-80-7468-5 100 Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022) ...