عنوان مقاله ترجمه شده:رسيدن به شباهت معنايي تصوير از طريق دسته بندي حاصل از جمع سپاري
عنوان انگلیسی مقاله ترجمه شده:Toward semantic image similarity from crowdsourced clustering
سال انتشار مقالهنام ژورنالتعداد صفحات مقاله ترجمه شده
201611
چکیده فارسی:تعيين شباهت بين تصاير از جمله دسته بندي تصوير ،برچسب زني تصوير و همچنين بازيابي ، مرحله اساسي در بسياري از برنامه هاي كاربردي است . روش هاي اتوماتيك براي ارزيابي شباهت اغلب ناكارآمد است و وقتي كه زمينه معنايي براي كار نياز است نياز به قضاوت انسان پيش مي آيد چنين قضاوتهائي را مي توان از طريق فنون جمع سپاري بر اساس كارهاي ارائه شده توسط كاربران وب جمع آوري نمود. با اين حال براي ممكن ساختن برآورد شباهت تصاوير با زمان و هزينه معقول ايجاد كارها براي مقدار انبوه بايد به طريقه دقيقي انجام شود . ما مشاهده كرديم كه فواصل بين همسايگي هاي محلي اطلاعات ارزشمندي فراهم مي كند كه به ما اين امكان را مي دهد كه معيارشباهت كلي را سريع و دقيق ايجاد كنيم. اين ملاحظه كليدي ما را به سمت راه حلي براساس وظائف دسته بندي ومقايسه تصاوير نسبتاً مشابه هدايت مي كند درهرجستجو،اعضاي گروه مجموعه كوچكي از تصاوير را درداخل صندوق هاي خود جمع آوري مي كنند . نتايج حاكي از شباهت هاي نسبي زياد بين عكس ها مي باشد ، كه براي ايجاد معيار شباهت مورد استفاده قرار گرفته اند. اين معياربه صورت تصاعدي اصلاح مي شود و براي ترتيب دادن تحقيقات بهتر ومكاني تر در تكرارهاي بعدي بهبود مي يابد . ما موثر بودن روش خودمان را بر روي مجموعه داده ها وقتي زمينه ميداني وجود داشته باشد و روي مجموعه اي از تصاوير در صورتي كه شباهتهاي معنايي را نمي توان اندازه گيري كرد اثبات مي كنيم . درحالت خاص نشان مي دهيم روش ما گزينه بهتري از روش هاي مرجع است و موثر بودن تحقيقات جمع آوري و فرآيند اصلاح ما را بهبود مي بخشد .
چکیده انگلیسی:Determining the similarity between images is a fundamental step in many applications, such as image categorization, image labeling and image retrieval. Automatic methods for similarity estimation often fall short when semantic context is required for the task, raising the need for human judgment. Such judgments can be collected via crowdsourcing techniques, based on tasks posed to web users. However, to allow the estimation of image similarities in reasonable time and cost, the generation of tasks to the crowd must be done in a careful manner. We observe that distances within local neighborhoods provide valuable information that allows a quick and accurate construction of the global similarity metric. This key observation leads to a solution based on clustering tasks, comparing relatively similar images. In each query, crowd members cluster a small set of images into bins. The results yield many relative similarities between images, which are used to construct a global image similarity metric. This metric is progressively refined, and serves to generate finer, more local queries in subsequent iterations. We demonstrate the effectiveness of our method on datasets where ground truth is available, and on a collection of images where semantic similarities cannot be quantified. In particular, we show that our method outperforms alternative baseline approaches, and prove the usefulness of clustering queries, and of our progressive refinement process.
کلمات کلیدی مقاله: , ,
دانلود اصل مقاله ترجمه نشده افزودن به سبد خرید