Luận văn: Ứng dụng kỹ thuật tìm kiếm thông tin vào hệ thống tìm kiếm ảnh dựa trên nội dung

Luận văn: Ứng dụng kỹ thuật tìm kiếm thông tin nâng cao hiệu quả hệ thống tìm kiếm ảnh dựa trên nội dung. Nghiên cứu chuyên sâu về truy xuất ảnh.

• Tác giả: Trần Thị Hải Yến
• Người hướng dẫn: PGS.TS. Nguyễn Kim Anh
• Trường học: Trường Đại học Bách Khoa Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Ứng dụng các kỹ thuật tìm kiếm thông tin vào hệ thống tìm kiếm ảnh dựa trên nội dung
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2013
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• MỤC LỤC
• DANH MỤC CÁC THUẬT NGỮ, TỪ VIẾT TẮT
• DANH MỤC CÁC HÌNH VẼ
• DANH MỤC CÁC BẢNG
• MỞ ĐẦU
• 1. Lý do chọn đề tài
• 1. Mục đích, phạm vi nghiên cứu
• 1. Nội dung của đề tài, các vấn đề cần giải quyết
• 1. Phương pháp nghiên cứu
• 2. Cấu trúc luận văn
• 1. Vấn đề về tìm kiếm thông tin
• 1.1. Một số mô hình tìm kiếm thông tin
• 1.1.1. Mô hình Boolean
• 1.1.2. Mô hình Boolean mở rộng (Advanced Boolean Model)
• 1.1.3. Mô hình không gian vector (VSM- Vector Space Model)
• 1.1.4. Mô hình xác suất (Probability Model)
• 1.2. Tổng kết chương
• 2. CHƯƠNG 2: TỔNG QUAN VỀ TÌM KIẾM HÌNH ẢNH DỰA TRÊN NỘI DUNG
• 2.1. Mô tả nội dung ảnh
• 2.2. Phương pháp biểu diễn ảnh (trích chọn đặc trưng)
• 2.2.1. Hình dạng (Shape)
• 2.2.2. Đặc trưng cục bộ
• 2.3. Đo sự tương tự và lập chỉ mục
• 2.3.1. Đo sự tương tự (khoảng cách)
• 2.3.2. Lập chỉ mục
• 2.4. Tương tác người dùng
• 2.4.1. Đặc điểm của truy vấn
• 2.4.2. Phản hồi thích đáng
• 2.5. Đánh giá hiệu suất
• 2.6. Tổng kết chương
• 3. CHƯƠNG 3: ỨNG DỤNG KỸ THUẬT TÌM KIẾM VĂN BẢN TRONG TÌM KIẾM ẢNH DỰA TRÊN NỘI DUNG
• 3.1. Biểu diễn văn bản
• 3.1.1. Mô hình túi các từ trực quan (bag of visual word)
• 3.2. Các khác biệt căn bản giữa từ văn bản và từ trực quan
• 3.3. Độ dài văn bản và tần từ trong văn bản
• 3.4. Ứng dụng mô hình tìm kiếm thông tin để tìm kiếm vật thể trong video
• 3.5. Xây dựng bộ từ vựng hình ảnh
• 3.6. Lập chỉ mục hình ảnh sử dụng phương pháp tìm kiếm văn bản
• 3.7. Đánh giá thí nghiệm khớp cảnh sử dụng từ trực quan
• Tổng kết chương
• Các nội dung đã hoàn thành trong luận văn
• Hạn chế của luận văn
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Luận Văn Ứng Dụng Tìm Kiếm Ảnh CBIR Là Gì

Luận văn này tập trung vào việc ứng dụng các kỹ thuật tìm kiếm thông tin đã được phát triển trong lĩnh vực xử lý văn bản vào bài toán tìm kiếm ảnh dựa trên nội dung (CBIR). CBIR, viết tắt của Content-Based Image Retrieval, là một lĩnh vực nghiên cứu đầy thách thức nhằm mục đích truy xuất hình ảnh từ một cơ sở dữ liệu lớn dựa trên các đặc trưng thị giác của ảnh, thay vì dựa vào các từ khóa hay metadata đi kèm. Sự bùng nổ của dữ liệu ảnh trên Internet đã tạo ra nhu cầu cấp thiết về các hệ thống CBIR hiệu quả, có khả năng tìm kiếm và trả về những hình ảnh phù hợp nhất với truy vấn của người dùng. Luận văn sẽ đi sâu vào việc sử dụng mô hình Bag of Visual Words (BoVW) và các thuật toán index ảnh để cải thiện hiệu suất và độ chính xác của hệ thống tìm kiếm ảnh. Mục tiêu cuối cùng là xây dựng một hệ thống tìm kiếm ảnh có khả năng cạnh tranh với các phương pháp tìm kiếm truyền thống, đồng thời tận dụng được sức mạnh của các kỹ thuật xử lý ảnh hiện đại. Luận văn cũng đánh giá hiệu quả của các phương pháp này thông qua các thử nghiệm thực tế trên các cơ sở dữ liệu ảnh chuẩn.

1.1. CBIR Tìm Kiếm Ảnh Dựa Trên Nội Dung Định Nghĩa Lợi Ích

CBIR (tìm kiếm ảnh dựa trên nội dung) khác biệt so với tìm kiếm ảnh dựa trên từ khóa. Thay vì gán nhãn cho ảnh bằng từ khóa, CBIR phân tích trực tiếp đặc trưng ảnh như màu sắc, hình dạng, và kết cấu. Điều này cho phép tìm kiếm ảnh một cách tự động và hiệu quả hơn, đặc biệt trong các trường hợp không có thông tin metadata đầy đủ hoặc chính xác. Ưu điểm chính của CBIR bao gồm khả năng xử lý các truy vấn phức tạp, tìm kiếm ảnh tương tự một cách trực quan, và giảm sự phụ thuộc vào việc gán nhãn thủ công.

1.2. Ứng Dụng Thực Tế Của CBIR Y Tế Thời Trang và Thương Mại Điện Tử

CBIR có nhiều ứng dụng thực tế quan trọng. Trong lĩnh vực tìm kiếm ảnh y tế, CBIR giúp bác sĩ so sánh các ảnh chụp y khoa để chẩn đoán bệnh. Trong tìm kiếm ảnh thời trang, người dùng có thể tìm kiếm quần áo tương tự dựa trên kiểu dáng và màu sắc. Trong tìm kiếm ảnh sản phẩm trên thương mại điện tử, CBIR cho phép người dùng tìm kiếm các sản phẩm tương tự bằng cách tải lên một hình ảnh. Các ứng dụng này cho thấy tiềm năng to lớn của CBIR trong việc cải thiện trải nghiệm tìm kiếm ảnh trong nhiều lĩnh vực khác nhau. Trích xuất đặc trưng ảnh là một bước quan trọng trong CBIR, giúp biểu diễn ảnh dưới dạng vector số.

II. Thách Thức Vấn Đề Trong Hệ Thống Tìm Kiếm Ảnh Hiện Tại

Mặc dù CBIR đã đạt được nhiều tiến bộ, vẫn còn nhiều thách thức cần vượt qua. Một trong những thách thức lớn nhất là khoảng cách ngữ nghĩa (semantic gap), tức là sự khác biệt giữa cách máy tính biểu diễn ảnh và cách con người hiểu nội dung của ảnh. Các đặc trưng ảnh được trích xuất tự động có thể không phản ánh đầy đủ ý nghĩa của ảnh, dẫn đến kết quả tìm kiếm không chính xác. Một thách thức khác là khả năng mở rộng (scalability). Với số lượng ảnh ngày càng tăng, việc xây dựng một hệ thống CBIR có khả năng xử lý truy vấn nhanh chóng và hiệu quả trở nên khó khăn hơn. Luận văn này tập trung vào việc giải quyết các thách thức này bằng cách ứng dụng các kỹ thuật index ảnh và thuật toán tìm kiếm ảnh tiên tiến, nhằm cải thiện hiệu suất và độ chính xác của hệ thống. Đánh giá độ chính xác (precision) và độ phủ (recall) là rất quan trọng.

2.1. Khoảng Cách Ngữ Nghĩa Vấn Đề Biểu Diễn Ý Nghĩa Hình Ảnh

Khoảng cách ngữ nghĩa là một vấn đề trung tâm trong CBIR. Nó đề cập đến sự khác biệt giữa cách máy tính 'nhìn' một hình ảnh (dưới dạng các giá trị pixel và đặc trưng số) và cách con người hiểu nội dung và ý nghĩa của hình ảnh đó. Ví dụ, một hệ thống có thể trích xuất các đặc trưng màu sắc và hình dạng từ một bức ảnh về một con mèo, nhưng nó có thể không 'hiểu' rằng đó là một con mèo và nó liên quan đến các khái niệm như 'động vật', 'thú cưng', hoặc 'gia đình'. Để thu hẹp khoảng cách này, cần phải phát triển các phương pháp biểu diễn ảnh thông minh hơn, có khả năng nắm bắt được các thông tin ngữ nghĩa quan trọng. Học sâu trong tìm kiếm ảnh đang được sử dụng để giải quyết vấn đề này.

2.2. Khả Năng Mở Rộng Xử Lý Cơ Sở Dữ Liệu Ảnh Khổng Lồ

Với sự gia tăng nhanh chóng của dữ liệu ảnh, khả năng mở rộng là một yếu tố then chốt trong thiết kế hệ thống CBIR. Một hệ thống có khả năng mở rộng tốt có thể xử lý hàng tỷ hình ảnh và đáp ứng các truy vấn tìm kiếm trong thời gian thực. Điều này đòi hỏi các kỹ thuật index ảnh hiệu quả, như cây KD hoặc Locality Sensitive Hashing (LSH), để giảm số lượng hình ảnh cần so sánh trong quá trình tìm kiếm. Bên cạnh đó, việc sử dụng các kiến trúc phân tán và song song cũng có thể giúp tăng cường khả năng mở rộng của hệ thống. Cơ sở dữ liệu ảnh lớn đòi hỏi các giải pháp lưu trữ và truy xuất hiệu quả.

III. Giải Pháp Áp Dụng Kỹ Thuật Tìm Kiếm Văn Bản Vào CBIR Thế Nào

Luận văn đề xuất một phương pháp tiếp cận mới bằng cách ứng dụng các kỹ thuật tìm kiếm thông tin đã được chứng minh hiệu quả trong lĩnh vực xử lý văn bản vào bài toán CBIR. Ý tưởng chính là coi mỗi hình ảnh như một 'văn bản' được tạo thành từ các 'từ trực quan' (visual words). Các từ trực quan được tạo ra bằng cách gom nhóm các đặc trưng ảnh tương tự thành các cụm, và mỗi cụm đại diện cho một từ. Sau đó, mỗi hình ảnh được biểu diễn dưới dạng một vector tần số của các từ trực quan, tương tự như cách các văn bản được biểu diễn trong mô hình Bag of Words. Các thuật toán tìm kiếm văn bản như TF-IDF và cosine similarity có thể được sử dụng để so sánh các hình ảnh và trả về những hình ảnh tương tự nhất. Mô hình hóa ảnh là bước quan trọng để ứng dụng các kỹ thuật này.

3.1. Mô Hình Bag of Visual Words BoVW Chuyển Ảnh Thành Văn Bản

Mô hình Bag of Visual Words (BoVW) là một kỹ thuật quan trọng trong CBIR, cho phép biểu diễn hình ảnh dưới dạng một tập hợp các 'từ trực quan'. Quá trình này bao gồm việc trích xuất các đặc trưng cục bộ từ hình ảnh, gom nhóm các đặc trưng tương tự thành các cụm, và sau đó biểu diễn mỗi hình ảnh dưới dạng một vector tần số của các cụm. Ưu điểm của BoVW là tính đơn giản và hiệu quả, cho phép sử dụng các thuật toán tìm kiếm văn bản để so sánh và truy xuất hình ảnh. Tuy nhiên, BoVW cũng có một số hạn chế, như bỏ qua thông tin về không gian và mối quan hệ giữa các đặc trưng.

3.2. Sử Dụng TF IDF và Cosine Similarity Để So Sánh Văn Bản Ảnh

Sau khi hình ảnh được biểu diễn dưới dạng vector tần số của các từ trực quan, các thuật toán tìm kiếm văn bản như TF-IDF (Term Frequency-Inverse Document Frequency) và cosine similarity có thể được sử dụng để so sánh các hình ảnh và trả về những hình ảnh tương tự nhất. TF-IDF đánh giá tầm quan trọng của một từ trong một văn bản, trong khi cosine similarity đo độ tương đồng giữa hai vector. Việc sử dụng các thuật toán này cho phép tận dụng các kỹ thuật đã được phát triển tốt trong lĩnh vực xử lý văn bản để cải thiện hiệu suất và độ chính xác của hệ thống CBIR.

IV. Cải Tiến Tối Ưu Hiệu Suất Tìm Kiếm Ảnh Với Index Hiệu Quả

Để cải thiện hiệu suất của hệ thống CBIR, luận văn tập trung vào việc xây dựng các index ảnh hiệu quả. Các kỹ thuật index ảnh như cây KD và Locality Sensitive Hashing (LSH) cho phép giảm đáng kể thời gian tìm kiếm bằng cách loại bỏ các hình ảnh không liên quan. Cây KD là một cấu trúc dữ liệu phân cấp cho phép tìm kiếm các điểm gần nhất một cách nhanh chóng. LSH là một kỹ thuật băm cho phép nhóm các hình ảnh tương tự lại với nhau, giảm số lượng hình ảnh cần so sánh. Bằng cách kết hợp các kỹ thuật index ảnh với mô hình Bag of Visual Words, luận văn nhằm mục đích xây dựng một hệ thống CBIR có khả năng xử lý các truy vấn tìm kiếm nhanh chóng và hiệu quả.

4.1. Cây KD Cấu Trúc Dữ Liệu Phân Cấp Cho Tìm Kiếm Nhanh

Cây KD (k-d tree) là một cấu trúc dữ liệu phân cấp được sử dụng rộng rãi trong các bài toán tìm kiếm gần nhất. Trong CBIR, cây KD có thể được sử dụng để index các vector đặc trưng của hình ảnh, cho phép tìm kiếm các hình ảnh tương tự một cách nhanh chóng. Cây KD chia không gian đặc trưng thành các vùng nhỏ hơn, cho phép loại bỏ các hình ảnh không liên quan một cách hiệu quả. Tuy nhiên, hiệu suất của cây KD có thể giảm khi số chiều của không gian đặc trưng tăng lên.

4.2. Locality Sensitive Hashing LSH Nhóm Ảnh Tương Tự Lại Gần Nhau

Locality Sensitive Hashing (LSH) là một kỹ thuật băm cho phép nhóm các hình ảnh tương tự lại với nhau. LSH sử dụng các hàm băm đặc biệt để đảm bảo rằng các hình ảnh tương tự sẽ có cùng giá trị băm hoặc giá trị băm gần nhau. Điều này cho phép tìm kiếm các hình ảnh tương tự một cách nhanh chóng bằng cách chỉ cần so sánh các hình ảnh có cùng giá trị băm. LSH đặc biệt hiệu quả trong các không gian đặc trưng có số chiều cao.

V. Đánh Giá Kết Quả Ứng Dụng Kỹ Thuật Tìm Kiếm Thông Tin

Luận văn trình bày kết quả đánh giá hiệu quả của phương pháp đề xuất trên các cơ sở dữ liệu ảnh chuẩn. Các chỉ số đánh giá như độ chính xác (precision), độ phủ (recall) và Mean Average Precision (MAP) được sử dụng để so sánh hiệu suất của phương pháp đề xuất với các phương pháp CBIR truyền thống. Kết quả cho thấy rằng phương pháp đề xuất có thể đạt được hiệu suất tương đương hoặc tốt hơn so với các phương pháp truyền thống, đặc biệt trong các trường hợp có số lượng hình ảnh lớn. Điều này chứng minh rằng việc ứng dụng các kỹ thuật tìm kiếm thông tin từ lĩnh vực xử lý văn bản có thể cải thiện đáng kể hiệu suất của hệ thống CBIR.

5.1. Độ Chính Xác Precision và Độ Phủ Recall Các Chỉ Số Đánh Giá CBIR

Độ chính xác (precision) và độ phủ (recall) là hai chỉ số quan trọng để đánh giá hiệu suất của một hệ thống CBIR. Độ chính xác đo tỷ lệ các hình ảnh được trả về là phù hợp với truy vấn, trong khi độ phủ đo tỷ lệ các hình ảnh phù hợp với truy vấn được trả về. Một hệ thống CBIR tốt cần phải có cả độ chính xác và độ phủ cao. Ngoài ra, F1-score là một chỉ số kết hợp cả precision và recall.

5.2. Mean Average Precision MAP Đánh Giá Tổng Thể Hiệu Suất

Mean Average Precision (MAP) là một chỉ số đánh giá tổng thể hiệu suất của một hệ thống CBIR. MAP tính trung bình độ chính xác trung bình của các truy vấn khác nhau. Một giá trị MAP cao cho thấy rằng hệ thống CBIR có khả năng trả về các kết quả chính xác và đầy đủ cho nhiều loại truy vấn khác nhau. Việc sử dụng MAP cho phép so sánh hiệu suất của các hệ thống CBIR khác nhau một cách khách quan.

VI. Kết Luận Tương Lai Hướng Phát Triển CBIR Với AI và Học Sâu

Luận văn đã trình bày một phương pháp tiếp cận mới để xây dựng hệ thống CBIR bằng cách ứng dụng các kỹ thuật tìm kiếm thông tin từ lĩnh vực xử lý văn bản. Phương pháp này cho phép tận dụng các thuật toán đã được phát triển tốt trong lĩnh vực xử lý văn bản để cải thiện hiệu suất và độ chính xác của hệ thống CBIR. Trong tương lai, có thể kết hợp phương pháp này với các kỹ thuật máy học và học sâu, như mạng nơ-ron tích chập (CNN), để xây dựng các hệ thống CBIR thông minh hơn, có khả năng hiểu và xử lý hình ảnh một cách tự nhiên hơn. Trích xuất đặc trưng bằng CNN có tiềm năng lớn trong việc cải thiện hiệu suất CBIR.

6.1. Máy Học và Học Sâu Nâng Cao Khả Năng Hiểu Ảnh Của CBIR

Máy học và học sâu có tiềm năng to lớn trong việc nâng cao khả năng hiểu ảnh của hệ thống CBIR. Các mô hình học sâu, như mạng nơ-ron tích chập (CNN), có khả năng tự động trích xuất các đặc trưng phức tạp từ hình ảnh, vượt trội hơn so với các phương pháp trích xuất đặc trưng thủ công. Việc sử dụng các mô hình học sâu có thể giúp thu hẹp khoảng cách ngữ nghĩa và cải thiện đáng kể hiệu suất của CBIR.

6.2. Ứng Dụng Mạng Nơ Ron Tích Chập CNN Để Trích Xuất Đặc Trưng Tự Động

Mạng nơ-ron tích chập (CNN) là một loại mô hình học sâu đặc biệt hiệu quả trong việc xử lý hình ảnh. CNN có khả năng tự động học các đặc trưng từ dữ liệu hình ảnh, cho phép trích xuất các đặc trưng phức tạp và trừu tượng mà các phương pháp thủ công không thể đạt được. Việc sử dụng CNN để trích xuất đặc trưng trong CBIR có thể giúp cải thiện đáng kể độ chính xác và độ phủ của hệ thống.

Trích đoạn nội dung tài liệu

BO GIAO DUC VA DAO TAO ‘TRUGNG DALHOC BACH KHOA HA NOL TRAN THI HAI YEN TING DUNG CAC KY THUAT TIM KIEM THONG TIN VAO HE THONG TIM KIEM ANH DUA TREN NOT DUNG LUẬN VĂN THAC SI_KY THUAT CÔNG NGIIE TIONG TIN NGƯỜI HƯỚNG DẪN KHOA HỌC 1. NGUYEN KIM ANH 2. NGUYEN THỊ OANH Hã Nội - năm 2013 Ủng dụng các kỹ thuật tìm kiểm thông tin vào hệ thống tìm luếm ảnh dựa trên nội đụng LỚI CÁM DOAN Tôi xin cam đoan: Luận văn thạc sĩ Công nghệ thông tin “Ứng dụng các kỹ thuật tìm kiếm thông tin vào hệ thống tim kiếm ảnh dựa trên nội dung” là công, trình nghiên cửa thực sự của cả nhân, được thực hiện trên cơ sở nghiên cứu lý thuyết và đưới sự hướng dẫn khoa học của PGS.TS Nguyễn Kim Anh va TS. Nguyễn Thị Oanh.

Các kết quả trong Luận văn tốt nghiệp là trung thực, không sao chép toàn văn của bất kỳ công trinh nào khác. Tôi xin chịu trách nhiệm vẻ lời cam đoan này Ha Noi, ngay 18 tháng 6 nắm 2013 Học viên: Trân Thị Hải Yến Lớp : Cao học IIBCNTTHV 10-12 Ủng dụng các kỹ thuật tìm kiểm thông tin vào hệ thống tìm luếm ảnh dựa trên nội đụng LỜI CẢM ƠN 8 hoán thành chương trình cao học và viết luận văn nảy, tôi xin chân thành căm ơn đến qui thay cô trong Viện Công nghệ thông tin và Truyền Thông, trường, Đại học Bách Khoa Hà Nội dã tận tình dạy bảo tôi trong thời gian học. ‘Ti xin gui lời biết ơn sâu sắc đến PGS.TS Nguyễn Kim Anh va TS. Nguyễn Thị Oanh viện Cảng nghệ thông tin và Truyền thông, trường Đại học Bách khoa Hà Nội, đã khuyên khich vá tận tỉnh hưởng dẫn tôi trong suốt quá trinh.

thực hiện luận văn. Nhờ sự quan tâm chỉ bảo và những ý kiến đồng gép quý bảu cửa các cô, tôi mới có thể hoàn thành luận văn này. Tôi cũng xin câm ơn Ban giảm hiện và các đẳng nghiệp tại trường Đại học Iltmg Vuong 44 tao điêu kiện về thời gian để tôi có thế học tập và hoàn thành luận vẫn này Cuối cùng tôi xin chân thành cảm ơn gia dình, người thân đã hết lòng giúp đỡ, thế trợ về vật chát lẫn tỉnh thân giúp tôi yên tâm học tập và nghiên cứu trong suôt quá trình học tập và thực biện luận văn Mặc dủ tôi đã có gắng dẻ hoàn thiện luận văn, tuy nhiên chắc chắn vẫn còn. nhiêu thiểu sót, rất mong sự góp ý quý báu của quí thây cô và các bạn.

Ủng dụng các kỹ thuật tìm kiểm thông tin vào hệ thống tìm luếm ảnh dựa trên nội đụng DANH MỤC CÁC THUẬT NGỮ, TỪ VIẾT TAT Diễn giải i | Difference of Gar | SIFT | Scale-invariant feature tra & BoW "Pag of Words (Till cac tin) Ủng dụng các kỹ thuật tìm kiểm thông tin vào hệ thống tìm luếm ảnh dựa trên nội đụng DANH MỤC CÁC THUẬT NGỮ, TỪ VIẾT TAT Diễn giải i | Difference of Gar | SIFT | Scale-invariant feature tra & BoW "Pag of Words (Till cac tin) Ủng dụng các kỹ thuật tìm kiểm thông tin vào hệ thống tìm luếm ảnh dựa trên nội đụng DANH MỤC CÁC THUẬT NGỮ, TỪ VIẾT TAT Diễn giải i | Difference of Gar | SIFT | Scale-invariant feature tra & BoW "Pag of Words (Till cac tin) Ủng dụng các kỹ thuật tìm kiểm thông tin vào hệ thống tìm luếm ảnh dựa trên nội đụng Vĩ dụ truy vẫn vật thể Ƒ in doi tung H. Run Lola Run roundhog Day. Ủng dụng các kỹ thuật tìm kiểm thông tin vào hệ thống tìm luếm ảnh dựa trên nội đụng DANH MỤC CÁC BẰNG STT Diễn giải 1 Bằng 1. Trọng số cục bộ của thuật ngĩ t, trong văn bản d; Bảng 3.

Trung bình của pháp äo xép hạng được tính từ 164 4 hình ảnh của b6 Ground truth cho cae phương pháp trọng số khác nhau Ủng dụng các kỹ thuật tìm kiểm thông tin vào hệ thống tìm luếm ảnh dựa trên nội đụng 3. Danh sách đừng (stơp ~ list} - ee 3. Rằng buộc không giam. Tìm kiếm vật thể .32 "Tổng kết chttơng:.

Các nội đụng đã hoàn (hành trong luận vẫn. Hạn chề của luận vẫn: .57 TÀI LIỆU THAM KHẢO .58 Ủng dụng các kỹ thuật tìm kiểm thông tin vào hệ thống tìm luếm ảnh dựa trên nội đụng DANH MỤC CÁC BẰNG STT Diễn giải 1 Bằng 1. Trọng số cục bộ của thuật ngĩ t, trong văn bản d; Bảng 3. Trung bình của pháp äo xép hạng được tính từ 164 4 hình ảnh của b6 Ground truth cho cae phương pháp trọng số khác nhau Ủng dụng các kỹ thuật tìm kiểm thông tin vào hệ thống tìm luếm ảnh dựa trên nội đụng 3.

Danh sách đừng (stơp ~ list} - ee 3. Rằng buộc không giam. Tìm kiếm vật thể .32 "Tổng kết chttơng:. Các nội đụng đã hoàn (hành trong luận vẫn.

Hạn chề của luận vẫn: .57 TÀI LIỆU THAM KHẢO .58 Ủng dụng các kỹ thuật tìm kiểm thông tin vào hệ thống tìm luếm ảnh dựa trên nội đụng Vĩ dụ truy vẫn vật thể Ƒ in doi tung H. Run Lola Run roundhog Day. Ủng dụng các kỹ thuật tìm kiểm thông tin vào hệ thống tìm luếm ảnh dựa trên nội đụng MỤC LỰC LOI CAM DOAN LỜI CẮM ON MỤC LỤC. DANH MUC CAC THU! DANH MUC C.

DANH MUC CAC BANG MO DAU. Lý do chọn để tài 1. Mục đích, phạm vi nghĩ 1. Nội đưng của ất 1.

Phương pháp nghiên cứu: 2. Câu trúc luận văn. Van éé-vé timkiểmthông tim. Mộ số mô tình tìm kiểm hồng tin - - 12 1.

Mô hình Boolcan. Mo hình Boolean mở rộng (Advanced Boolean Modkl). Mô hình không gian veoto (VSM- Vector Space Model). Mô hình xác suất (Probabiity Model) - "Tổng kết chương: CHƯƠNG 2: TONG QUAN VE TIM KEM HÌNH ‘ANH DUA’ ‘REN NOI ‘DUNG 2.

Mô tả nội dung anh 2. Phương pháp biêu diễn ảnh nich chon dic trưng) 2. Ilinh đạng (Sha; 2. Đặc trưng cục bộ 2.

Đo sự tương tự và lập chỉ mục. Đo sự tương tự¿ khoảng cícác] 2. Lập chỉ mục. Tương táo người đăng, 2.

Đặc điểm của truy vẫn 2. Phán hỗi thich dang ie 1. Đánh giả hiệu suắt. "Tổng kết chương:.

CHƯƠNG 3 ỨNG DỤNG KỸ THUẬT TÌM KIẾM VĂN BẢN TRONG - : - 3R TIM KIEM ANH DUA TREN NOI DUNG 3. Biển diễn văn bản. Mõ hình tấi các từ trực quan (bag of visual word) - - ome) 3. Các khác biệt căn bên giữa từ văn bản và lí trực quan - 40 3.

Độ dài văn bản và tan từ trong văn bản. Ứng đụng mô hình tin kiểm thông lìn đễ tìm kiểm vật thể trong video 43 3. Xây dựng bộ tù vựng hình anh. Lập chỉ mục hình ảnh sử dụng phương phép tìm kiểm văn bản.

Đánh giá thí nghiệm khớp cảnh sử dụng từ trực quan. - 7 3 Ủng dụng các kỹ thuật tìm kiểm thông tin vào hệ thống tìm luếm ảnh dựa trên nội đụng DANH MỤC CÁC BẰNG STT Diễn giải 1 Bằng 1. Trọng số cục bộ của thuật ngĩ t, trong văn bản d; Bảng 3. Trung bình của pháp äo xép hạng được tính từ 164 4 hình ảnh của b6 Ground truth cho cae phương pháp trọng số khác nhau Ủng dụng các kỹ thuật tìm kiểm thông tin vào hệ thống tìm luếm ảnh dựa trên nội đụng 3.

Danh sách đừng (stơp ~ list} - ee 3. Rằng buộc không giam. Tìm kiếm vật thể .32 "Tổng kết chttơng:. Các nội đụng đã hoàn (hành trong luận vẫn.

Hạn chề của luận vẫn: .57 TÀI LIỆU THAM KHẢO .58 Ủng dụng các kỹ thuật tìm kiểm thông tin vào hệ thống tìm luếm ảnh dựa trên nội đụng DANH MỤC CÁC BẰNG STT Diễn giải 1 Bằng 1. Trọng số cục bộ của thuật ngĩ t, trong văn bản d; Bảng 3. Trung bình của pháp äo xép hạng được tính từ 164 4 hình ảnh của b6 Ground truth cho cae phương pháp trọng số khác nhau Ủng dụng các kỹ thuật tìm kiểm thông tin vào hệ thống tìm luếm ảnh dựa trên nội đụng DANH MỤC CÁC HÌNH VE STT | Hìnhvẽ Tiiễn giải 1 |Hình 11. | Kiến trúc tổng thể của hệ thống IR | Linh 1.

| Quá trình tình không gian do (L) và hàm sai khảo DOG # l/nh26 | Quả trình tìm điểm cực i trong cde ham sai khae DOG 9 | Hinh 2. | Quá trình trích xuất keypobu Hình 3. | Xây dựng mội vẫn từ vựng hình ảnh 13 | Hình 3. | Mã tả mội hình ảnh như một veclo của các lần số từ hình ảnh 14 | inh 3.

| 88 viing phat hiện theo kích Hước của hình ảnh 19 | Hink 3. | Ground truth data | thu duoc diém xép hang kim Khung 61 và 64 từ lập dữ liệu | Ground truth ỊTéa xố cla MS từ trực quan trong tat ed 3768 khung chính của ' 41 Run Rola Run Hink 3.12, | Bước kết hợp. Ủng dụng các kỹ thuật tìm kiểm thông tin vào hệ thống tìm luếm ảnh dựa trên nội đụng MỤC LỰC LOI CAM DOAN LỜI CẮM ON MỤC LỤC. DANH MUC CAC THU! DANH MUC C.

DANH MUC CAC BANG MO DAU. Lý do chọn để tài 1. Mục đích, phạm vi nghĩ 1. Nội đưng của ất 1.

Phương pháp nghiên cứu: 2. Câu trúc luận văn. Van éé-vé timkiểmthông tim. Mộ số mô tình tìm kiểm hồng tin - - 12 1.

Mô hình Boolcan. Mo hình Boolean mở rộng (Advanced Boolean Modkl). Mô hình không gian veoto (VSM- Vector Space Model). Mô hình xác suất (Probabiity Model) - "Tổng kết chương: CHƯƠNG 2: TONG QUAN VE TIM KEM HÌNH ‘ANH DUA’ ‘REN NOI ‘DUNG 2.

Mô tả nội dung anh 2. Phương pháp biêu diễn ảnh nich chon dic trưng) 2. Ilinh đạng (Sha; 2. Đặc trưng cục bộ 2.

Đo sự tương tự và lập chỉ mục. Đo sự tương tự¿ khoảng cícác] 2. Lập chỉ mục. Tương táo người đăng, 2.

Đặc điểm của truy vẫn 2. Phán hỗi thich dang ie 1. Đánh giả hiệu suắt. "Tổng kết chương:.

CHƯƠNG 3 ỨNG DỤNG KỸ THUẬT TÌM KIẾM VĂN BẢN TRONG - : - 3R TIM KIEM ANH DUA TREN NOI DUNG 3. Biển diễn văn bản. Mõ hình tấi các từ trực quan (bag of visual word) - - ome) 3. Các khác biệt căn bên giữa từ văn bản và lí trực quan - 40 3.

Độ dài văn bản và tan từ trong văn bản. Ứng đụng mô hình tin kiểm thông lìn đễ tìm kiểm vật thể trong video 43 3. Xây dựng bộ tù vựng hình anh. Lập chỉ mục hình ảnh sử dụng phương phép tìm kiểm văn bản.

Đánh giá thí nghiệm khớp cảnh sử dụng từ trực quan. - 7 3 Ủng dụng các kỹ thuật tìm kiểm thông tin vào hệ thống tìm luếm ảnh dựa trên nội đụng 1.