SlideServe
Télécharger Obtenir Pro
Menu
Accueil Pro
Préférences
ApparenceLight Aide et commentaires
© SlideServe · v2026

Content Based Image Retrieval

talisa avatar
talisa
22 diapositives · 398 Views · Sep 15, 2014

Content Based Image Retrieval. Romit Das · Ryan Scotka. GIS Problems. Search based on filename Verbatim match Noun replacement Potential for Abuse (Google Hack). Possible Solutions. Metadata Standards Re-index existing images Manual Classification Time Content-based Classification.

Content Based Image Retrieval - slide 1
01 / 22Content Based Image Retrieval
1 / 17

Télécharger la présentation

Content Based Image Retrieval
Une image / un lien ci-dessous est fourni (tel quel) pour télécharger la présentation

Politique de téléchargement : le contenu du site vous est fourni TEL QUEL pour votre information et votre usage personnel ; il ne peut être vendu, concédé sous licence ni partagé sur d’autres sites sans l’accord de son auteur.Le contenu vous est fourni TEL QUEL, pour votre information et votre usage personnel uniquement. Téléchargez la présentation en cliquant sur ce lien. Lors du téléchargement, si vous ne parvenez pas à télécharger une présentation, l’éditeur a peut-être supprimé le fichier de son serveur.Pendant le téléchargement, si vous ne parvenez pas à obtenir une présentation, le fichier a peut-être été supprimé par l’éditeur.

F I N

Plus de contenu associé

Transcription de la présentation

  1. Content Based Image Retrieval Romit Das · Ryan Scotka

  2. GIS Problems • Search based on filename • Verbatim match • Noun replacement • Potential for Abuse (Google Hack)

  3. Possible Solutions • Metadata • Standards • Re-index existing images • Manual Classification • Time • Content-based Classification

  4. CBIR – Training • Choose features to distinguish images. • Extract said features. • Apply statistical method to model features. • Categorize based on textual description.

  5. Example Dimensions Color Frequencies Spatial Distribution 200 x 200 + Mostly flesh tones + Flesh tones concentrated in the center = baby

  6. Author’s Feature Set • Feature Set (6 dimensions): • Color averages (LUV) • High-frequency energy bands • “Effectively discern local texture” • Wavelet transform on 4x4 blocks • Use HL, LH, and HH “high energy bands” • Use the LL for lower resolution analysis

  7. Author’s Implementation • Statistical Modeling • Use machine learning to build concepts Concept = Paris Training Set =

  8. Markov Models • Take known facts • Deduce hidden/unknown data

  9. Markov Model Example • Given: • Queues of people, shelves, price labels, disgruntled workers • Possible Results: • Post office • Supermarket • Record Store

  10. Markov Model Example • Given: • Queues of people, shelves, price labels, disgruntled workers, food products • Possible Results: • Post office • Supermarket • Record Store

  11. Ninja Model Person, outdoors

  12. Ninja Model People, ninjas, outdoor

  13. Ninja Model People, ninjas, weapons, outdoors

  14. Ninja Markov Model Person, outdoors People, ninjas, outdoors People, ninjas, outdoors weapons, class photo

  15. Creating Concepts • Training Concept • Created from hand-picked images • Must choose statistically significant training size • Resulting Concept • Used in automatic cataloging of future images

  16. People, ninjas, outdoors weapons, class photo Observations • Images are associated with multiple concepts. • Not foolproof • Example:

  17. Advantages • Automatic categorization

  18. Disadvantages • False positives • Concepts may require a vast amount of images • Increases training time • Dissimilar images needed for training of a concept

  19. Future Additions • Further refinement of conflicting semantics • Weights assigned to classifications

  20. Our Implementation • Perform classification with alternate learners (Weka)