دانلود شبیه سازی مقاله حاشیه نویسی خودکار تصویر با قوانین ارتباط فازی و درخت تصمیم

پروژه حاشیه نویسی خودکار تصویر

با توسعه فنآوری تصویربرداری و ذخیره سازی دیجیتال، اندازه داده های تصویری بیش از پیش و سریعاً افزایش یافته است. در عین حال، در زندگی روزمره ما، گوشی های مویابل بیش از پیش پرطرفدار شده اند. بنابراین حجم عظیمی از داده های تصویری پدیدار شده در دستگاه های موبایل لازم است شاخص گذاری شوند و به نحو موثر و کارآمد، بازیابی شوند. برای حل این مسئله، دو روش متمایز در مجموعه مقالات ارائه شده است. در روش بازیابی تصویر مبتنی بر متن اصلی، تصاویر به صورت دستی علامتگذاری (annotated) می شوند و به صورت سند بازیابی می شوند. از آنجایی که علامت گذاری دستی پرهزینه و غیرعینی است، بازیابی تصویر مبتنی بر متن، نمی تواند با پایگاه داده بزرگ تصویر کار کند. بنابراین، کارهای بسیاری توجه خود را به «بازیابی تصویر مبتنی بر محتوا» (CBIR)، معطوف کرده اند. تحت این الگو، تصاویر با ویژگی های بصری سطح پایین، مانند رنگ، شکل و بافت، بازیابی می شوند. اما، اکثر سیستم های CBIR قادر به توصیف خودکار تصاویر با نمایش معنایی نیستند که باعث بوجود آمدن شکاف یا خلاء معنایی مشهود می شوند. در نتیجه، علامت گذاری خودکار تصویر (AIA)، در سالهای اخیر، توجه روز افزونی را به خود جلب کرده است. بطور کلی، روش AIA از دو مرحله تشکیل شده است. در مرحله اول، بخش بندی تصویر و استخراج ویژگی انجام می شود تا نمایش ویژگی بصری تصاویر بدست آید. در مرحله دوم، دسته بندی یا علامت گذاری تصویر براساس همبستگی ویژگی های بصری و کلمات متنی استخراج شده از تصاویر آموزشی، انجام می شود. در اکثر سیستم های AIA، تصاویر بوسیله ویژگی های سراسری، ویژگی های محلی مبتنی بر بلوک یا ویژگی های محلی مبتنی بر منطقه، نمایش داده می شوند.

در این پروژه، روشی را پیشنهاد داده ایم که قوانین انجمنی فازی را با الگوریتم درخت تصمیم تلفیق می کند تا کار علامت گذاری خودکار تصویر را انجام دهد. در روش پیشنهادی ما، قوانین انجمنی فازی استخراج می شوند تا همبستگی بین ویژگی های سطح پایین و مفاهیم عنایی، بدست آید. با این حال، از آنجا که پایگاه داده تصویر در واقعیت بسیار بزرگ است، از الگوریتم درخت تصمیم برای پردازش پایگاه قوانین انجمن فازی بزرگ استفاده می کنیم که می تواند به میزان زیادی عملکرد علامت گذاری تصویر را بهبود بخشد. نتایج تجربی نشان می دهند که روش ما می تواند قوانین دقیق را تحت پایگاه داده بزرگ، استخراج کند. از یک سو، تفاوت بین روش ما و قوانین انجمنی سنتی دیگر این است که فرآیندی اضافه شده است تا قوانین انجمنی را مدیریت کند. از سوی دیگر، تفاوت بین روش ما و روش یادگیری ماشینی علامت گذاری (SVM، تقویت (boosting)، شبکه عصبی و غیره) این است که ارتباط بین ویژگی های بصری و مفاهیم معنایی را به صورت شهودی بدست می آوریم. روش ما مستقل از سخت افزار و سیستم عامل خاص می باشد. بعد از بهینه سازی آنرا می توان نه تنها در کامپیوتر شخصی بلکه همچنین در دستگاه موبایل، بکار گرفت. در کار آتی مان، بر انتخاب یک تابع عضویت موثرتر برای افراز خرابی و یک ضابطه مناسب تر برای محاسبه قوانین انجمنی فازی، تمرکز می کنیم.