کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6865768 | 678082 | 2015 | 10 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Image re-ranking with an alternating optimization
ترجمه فارسی عنوان
دوباره رتبه بندی تصویر با بهینه سازی متناوب
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
انتخاب کلمه بصری، دوباره رتبه بندی تصویر، بهینه سازی متناوب،
ترجمه چکیده
در این کار، یک روش بازآموزی تصویری کارآمد را پیشنهاد می کنیم، بدون اطلاعات منطقه ای از هر ویژگی نمایشی ذخیره شده در فایل معکوس، برای رتبه بندی همه تصاویر بازیابی شده. انگیزه روش پیشنهادی این است که معمولا در تصویر پرس و جو چندین دیدار وجود دارد که فقط به تصویرهای غیر مرتبط مرتبط هستند. با استفاده از این مشاهدات، ما پیشنهاد می کنیم از کلمات بصری استفاده کنیم که در جستجوی تصاویر مربوطه مفید هستند تا تصاویر بازیابی شده را دوباره رتبه بندی کنند. برای رسیدن به این هدف ابتدا برخی از تصاویر مشابه پرس و جو را با حداکثر رساندن یک تابع درجه دوم در هنگام رتبه بندی اولیه از تصاویر بازیابی شده اولویت می دهیم. تابع درجه دوم با ذخیره سازی شباهت ها میان یک فهرست کوتاه از تصاویر بالا به یک ماتریس وابستگی، که در آن شباهت بین هر دو تصویر با انتشار منتشر شده گراف، محاسبه می شود. سپس، زیر مجموعه ای از کلمات بصری در پرس و جو را با یک استراتژی بهینه سازی متناوب انتخاب می کنیم: (1) در هر تکرار، کلمات بصری بر اساس مجموعه ای از تصاویر مشابه که ما پیدا کرده اند، انتخاب شده اند (2) و به نوبه خود مجموعه از تصاویر مشابه با مجموعه ای از کلمات انتخاب شده به روز شده است. این دو مرحله تا همگرایی تکرار می شوند. نتایج تجربی در مجموعه داده های معیار استاندارد نشان می دهد که روش پیشنهادی با سرعت بالا بر روی تکنیک های جدید رتبه بندی مبتنی بر فضایی جدید پیشرفت می کند و همچنین کیفیت بازیابی بهتر را نیز به دست می آورد.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
In this work, we propose an efficient image re-ranking method, without regional information of each indexed feature stored in the inverted file, to re-rank all retrieved images. The motivation of the proposed method is that, there are usually many visual words in the query image that only give votes to irrelevant images. With this observation, we propose to use visual words which are actually useful in finding relevant images to re-rank the retrieved images. To achieve this goal, we first initialize some images similar to the query by maximizing a quadratic function when giving an initial ranking of the retrieved images. The quadratic function is constructed by storing the similarities among a short-list of top ranked images into an affinity matrix, where the similarity between any two images is computed by the proposed graph diffusion. Then, we select a subset of visual words in the query with an alternating optimization strategy: (1) at each iteration, visual words are selected based on the set of similar images that we have found, (2) and in turn, the set of similar images is updated with the set of selected words. These two steps are repeated until convergence. Experimental results on standard benchmark datasets show that the proposed method achieves an order of magnitude speedups over the state-of-the-art spatial based re-ranking techniques, and obtains much better retrieval quality as well.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 165, 1 October 2015, Pages 423-432
Journal: Neurocomputing - Volume 165, 1 October 2015, Pages 423-432
نویسندگان
Shanmin Pang, Jianru Xue, Zhanning Gao, Qi Tian,