Ανάκτηση εικόνων με βάση το περιεχόμενο με χρήση τεχνικών ημι-επιτηρούμενης μηχανικής μάθησης
Κατωπόδης, Βασίλειος Σ.
Τσιχριντζής, Γεώργιος
Σκοπός της συγκεκριμένης εργασίας είναι η ανάπτυξη ενός συστήματος, το οποίο με αυτοματοποιημένες διαδικασίες, θα μπορεί να ανακτά εικόνες με βάση τη θεματική ενότητα στην οποία ανήκουν. Το εργαλείο ουσιαστικά εξάγει γνώση από το σύνολο των χαρακτηριστικών των εικόνων και των αξιολογήσεων των χρηστών, την οποία χρησιμοποιεί για την απόδοση τιμών στις εικόνες, με αυτόματο και αποδοτικό τρόπο. Το πρόγραμμα, για την εκπαίδευση του αλγόριθμου μάθησης, βασίζεται στις αρχές της μηχανικής μάθησης και πιο συγκεκριμένα στις αρχές της ημι-επιτηρούμενης μάθησης. Κατά την εκπαίδευση του αλγόριθμου μάθησης χρησιμοποιεί το σύνολο των εικόνων, βαθμολογημένων και μη. Από αυτό το σύνολο το εργαλείο εξάγει τα χαμηλού επιπέδου χαρακτηριστικά των εικόνων, τα οποία αποτελούν μέρος του συνόλου εκπαίδευσης. Πιο συγκεκριμένα εξάγει τους καθολικούς οπτικούς περιγραφείς MPEG-7 για κάθε εικόνα. Τα χαρακτηριστικά που εξάγονται, είναι αυτά που σχετίζονται με το χρώμα και την υφή των εικόνων. Το εργαλείο χρησιμοποιεί σαν αλγόριθμο μάθησης τον Transductive Support Vector Machine (TSVM). Ο αλγόριθμος μάθησης αποτελεί επέκταση του SVM αλγόριθμου και ακολουθεί τις αρχές της μεταγωγικής μάθησης. Σε αντίθεση με τους αλγόριθμους επαγωγικής μάθησης, ο αλγόριθμος δεν εξάγει μια γενικευμένη συνάρτηση απόφασης, αλλά υπολογίζει τις τιμές για τα παραδείγματα του συνόλου δοκιμής. Στην ανάπτυξη του εργαλείου χρησιμοποιήθηκε η υλοποίηση του SVM, το SVM Light, το οποίο χρησιμοποιεί μια μορφή τοπικής μάθησης για την λύση των προβλημάτων βελτιστοποίησης.
The main objective of this paper is the development of a software system which has the ability to retrieve images based on their content, in an automated way. The software tool extracts knowledge from the images’ features and the users’ ratings. This knowledge is used to rank the images in an automated and efficient manner. The learning algorithm of the software tool is based on the principles of the machine learning and more specifically on the principles of the semi-supervised learning. The system makes use of both labeled and unlabeled data for the training purposes. The software tool extracts the low-level description characterizations of the set of images that consists a part of the training set. Particularly extract MPEG-7 global visual descriptions from associated visual content of images. The extracted description characterizations measure the color and the texture of the given images. The software tool makes use of Transductive Support Vector Machine (TSVM) as the learning algorithm. The TSVMs extend SVMs and they follow the principles of transduction learning. While regular SVMs try to induce a general decision function for a learning task, this algorithm takes into account a particular test set. The software tool makes use of SVM light, an implementation of SVM, which proceeds by solving a sequence of optimization problems using a form of local search.
