Learning to rank images for complex queries in concept-based search

جستجوی تصویر مبتنی بر مفهوم یک پارادایم جستجوی در حال ظهور است که از مجموعه ای از مفاهیم به عنوان توصیفگرهای معنایی میانجی برای تصاویر برای پر کردن شکاف معنایی استفاده می کند. به طور معمول، پرس و جو کاربر نسبتا پیچیده است و نمی تواند به خوبی با استفاده از یک مفهوم واحد توضیح داده شود. با این حال، تنها با جمعآوری نتایج جستجوی فردی برای مفاهیم مؤثر، مقابله با چنین پرسشهای پیچیده کمتر موثر است. در این مقاله، ما پیشنهاد می کنیم یادگیری را برای رتبه بندی تکنیک ها برای جستجوی تصویر مبتنی بر مفهوم برای نمایش های پیچیده پیشنهاد دهیم. با استفاده از تصاویر رایگان با برچسب های اجتماعی قابل دسترسی، ابتدا مفهوم شناسایی مفهوم را با استفاده از ویژگی های بصری ناهمگون به کار می بریم. سپس، برای تطبیق ارتباط تصویر، ما به طور واضح وزن فردی هر مفهوم مؤلفه را در یک پرس و جو پیچیده مدل می کنیم. وابستگی بین مفاهیم مؤلفه، و همچنین ارتباط بین مفاهیم پرس و غیر پرس و جو، از طریق مدل سازی همبستگی مفهوم دوگانه در یک روش فاکتور در نظر گرفته می شود. در نهایت، ما مدل خود را آموزش می دهیم تا به طور مستقیم عملکرد رتبه بندی تصویر را برای پرس و جو های پیچیده تحت یک یادگیری دو زبانه برای رتبه بندی چارچوب بهینه سازی کنیم. آزمایش های گسترده در دو مجموعه داده های معیار، وعده روش ما را تایید کرد.