Suche in Multimedialen Daten - Image Retrieval -
|
|
- Ralf Bäcker
- vor 7 Jahren
- Abrufe
Transkript
1 Suche in Multimedialen Daten - Image Retrieval - Vortrag: Datum: Seminar: Neue Technologien in Internet und WWW Wintersemester 2003/2004 Universität Jena - Institut für Informatik Seminarleiter: Dr. rer. nat. H. Sack
2 Gliederung Motivation Suchparadigmen Inhaltserschließung Methoden der Inhaltserschließung Ähnlichkeitssuche Indexstrukturen für die Ähnlichkeitssuche
3 Motivation Informationssuche im Internet oder anderen Datenbeständen (digitalisierte Printmedien, Fernsehen, Astronomie, Galerien) Großteil aller dieser Informationen in Bildform
4 Motivation Suche nach Bildern bisher hauptsächlich über Metadaten (Bildname, Beschreibung, Größe, Format, ) Probleme: Woher kommen diese Metadaten? (automatisch, redaktionell) Bilder ohne Metadaten werden nicht gefunden! Titel: Satellitenfoto Europa Datum: Autor: Meteosat Maße: 1200*6630 Format: BMP
5 Suchparadigmen Beispiel: Suche Bilder von Flipper. Textbasierte Suche (Keyword, Browsing) Suchanfrage: flipper dolphin picture Probleme: - Bilder werden anhand ihrer Beschreibung (Metadaten) gesucht - Metadaten müssen für jedes Bild gespeichert sein - Normierung der Metadaten notwendig für automatische Suche - Subjektive Beschreibung eines Bildes von verschiedenen Personen - Anfrager muss auch weitere Informationen angeben ( dolphin )
6 Suchparadigmen Beispiel: Suche Bilder von Flipper. Suche mit Berücksichtigung unstrukturierter Signalinformation Mögliche Suchanfrage: - Suche nach Bildelementen - Search by Similarity Query by Example Query by Sketch
7 Suchparadigmen Search by Similarity Beschreibung der Anfrage durch Referenzbilder Nutzung automatisch erzeugter Merkmale und Ähnlichkeitssuche über Distanzmaße (Metriken) Vorteile: - verbale Beschreibung der Anfrage entfällt - Sehr flexible/genaue Anfrage möglich (Sketch) - Keine manuelle Metadateneingabe erforderlich Nachteil: - woher bekommt man gutes Anfragebild (Example) - Nicht jeder kann gut zeichnen (Sketch)
8 Suchparadigmen Suche nach Bildelementen Metadaten z.b. Wer hat das Bild wo und wann erstellt? Kombination von Textur und Farbe: z.b. lange, graue Objekte Anordnung von Objekten: z.b. Fisch im Wasser Personen, Orten, Regionen: z.b. Flipper im Bassin Anlass, der auf dem Bild wiedergegeben ist: z.b. Walfang Subjektiv empfundene Emotionen, die mit dem Bild assoziiert werden könnten: z.b. Freude, Trauer
9 Inhaltserschließung Welche Daten gehören zum Bild: Primärinformation Rohdaten (Bildsignaldaten) Metadaten (Ersteller, Datum, Größe, ) Sekundärinformation Level 1 (primitive Merkmale) Level 2 (logische Merkmale) Level 3 (abstrakte Merkmale)
10 Inhaltserschließung Sekundärdaten Level 1 (primitive Merkmale) Einfache Zusammenhänge des Rohmaterials z.b. Farbe (Histogramme, Momente) Texturklassifikation Forminformation (Merkmale, Fläche) Ortsinformation (z.b. oben, links, Vordergrund) Level 2 (logische Merkmale) Typ der Objekte z.b. Tier, Haus, Wasser externes Wissen z.b. Wann ist ein Objekt ein Haus? Level 3 (abstrakte Merkmale) Bedeutungsinformation z.b. Anlass, Stimmung
11 Inhaltserschließung Erschließung der Primärinformation Signaldaten = Bilddaten Oft stark komprimiert (JPEG, GIF) Textuelle Beschreibung Manuelle Verschlagwortung Extraktion aus umgebendem Dokument Bei Internetbildern: Url des Bildes ALT-Attribut Linktext Metadaten Dateiname, Speicherformat, Grösse, Urheber
12 Inhaltserschließung Extraktion der Level 1-Sekundärdaten (Signalstatistik) Primitive Merkmale Farbhistogramme / Farbmomente Texturmomente Formmerkmale Regionen
13 Methoden der Inhaltserschließung Farbhistogramme Idee Häufigkeit des Vorkommens einer definierten Menge von Referenzfarben werden erfasst Je mehr Farben, desto besser die Beschreibung Je mehr Farben, desto teurer die Suche Meist verwendet 64, 112 oder 256 Referenzfarben Farbraum wird uniform überdeckt Für jedes Pixel wird die Vorkommensanzahl der nächstliegenden Referenzfarbe erhöht Normierung der Häufigkeiten (Teilen durch Pixelanzahl im Bild)
14 Methoden der Inhaltserschließung Farbhistogramme
15 Methoden der Inhaltserschließung Farbhistogramme Vorteile N-dimensionaler Vektor gibt das Auftreten der n-referenzfarben wider Ähnliche Bilder enthalten meist ähnliche Farben gute Treffer Nachteile Ähnliche Histogramme repräsentieren nicht unbedingt ähnliche Bilder Ähnlichkeit der Referenzfarben wird nicht berücksichtigt
16 Methoden der Inhaltserschließung Farbmomente Idee Wie Farbhistogramm Ähnlichkeit der Referenzfarben wird berücksichtigt Berechnung der Referenzfarben über die Farbkanäle, um unkorellierte Referenzfarben zu erhalten
17 Methoden der Inhaltserschließung Texturmomente Idee Textur eines Objektes beschreibt Richtung und Granularität des Musters Berechnung durch Ähnlichkeiten mit Referenzstrukturen Berechnung mit Hilfe der Fourier-Transformation (Ähnlichkeit der Frequenzen in den Texturen) Nutzung nur eines Farbkanals, um Aufwand zu sparen und Redundanzen zu vermeiden
18 Methoden der Inhaltserschließung Formmerkmale Idee Beschreibung der Formen in Bildern (Fläche, Orientierung, Kurvenverlauf) z.b. durch Histogramm der im Bild vorkommenden Richtungen (translationsinvariant, eingeschränkt rotationsinvariant) z.b. durch Histogramm der Flächen von im Bild vorkommenden Objekten
19 Inhaltserschließung Extraktion der Level 2-Sekundärdaten Logische Merkmale Komplizierter als primitive Merkmale Um ein Objekt erkennen zu können muss ein Modell des Objektes vorhanden sein, das so abstrakt definiert ist, dass alle möglichen Variationen des Objektes erkannt werden. Ansatz: Beschreibung von Objekten als Menge zylindrischer Flächen
20 Inhaltserschließung Extraktion der Level 3-Sekundärdaten abstrakte Merkmale Bisher sehr wenig untersucht Hauptproblem: systematische, objektive und abstrakte Beschreibung der Merkmale, die bestimmte Emotionen und Stimmungen hervorrufen könnten bzw. die einen Event beschreiben lassen.
21 Ähnlichkeitssuche Distanz zwischen Bildern Anhand der extrahierten Merkmale werden d- dimensionale Merkmalsvektoren gebildet Im d-dimensionalen Raum wird eine Distanzfunktion (Metrik) definiert: σ(x,y) Є [0,1] σ(x,y)=0 x,y haben keine Ähnlichkeit σ(x,y)=1 x,y sind identisch σ(x,y)= σ(y,x) x hat mit y die gleiche Ähnlichkeit, wie y mit x Als Distanzfunktionen werden Normen verwendet
22 Ähnlichkeitssuche Normen als Distanzfunktionen L 1 -Norm (Manhattan Distanz) L 2 -Norm (euklidische Distanz) σ(x,y)=σ i x i -y i σ(x,y)= Σ i (x i -y i ) 2 d 2 d 2 d 1 d 1 L -Norm (Maximum Norm) σ(x,y)=max i x i -y i Quadratische Funktion σ(x,y)=(x-y) T A(x-y) d 2 d 2 d 1 d 1
23 Ähnlichkeitssuche Bereichsanfrage Suchraum enthält die Referenzpunkte aller Bilder im Datenbestand Anfragebild wird den gleichen Merkmalsextraktionsalgorithmen unterzogen, wie die Bilder im Datenbestand Alle Bilder mit Referenzpunkt in einem Bereich um den Anfragepunkt werden zurückgegeben Bereich ist abhängig von der verwendeten Norm und einem Parameter
24 Ähnlichkeitssuche Bereichsanfrage d 2 Anfragepunkt d 1 Bsp.: euklidische Distanz
25 Ähnlichkeitssuche Relevance Feedback Idee Als Antwort auf eine Suchanfrage werden mehrere Bilder geliefert Durch subjektive Bewertung der Ergebnisse durch den Nutzer wird der Anfragepunkt im Raum verschoben Modifizierte Anfrage wird gestellt Suchanfrage Anfrageergebnis Nutzer- Bewertung Endergebnis Relevance Feedback
26 Ähnlichkeitssuche Relevance Feedback d 2 Anfragepunkt d 1 Bsp.: euklidische Distanz
27 Ähnlichkeitssuche Relevance Feedback d 2 Anfragepunkt Neuer Anfragepunkt d 1 Bsp.: euklidische Distanz
28 Ähnlichkeitssuche Nächst-Nachbar-Suche Suche nach dem ähnlichsten Bild Suche das Bild mit der geringsten Distanz zum Anfragebild bei der gewählten Distanzfunktion d 2 d 1 Bsp.: euklidische Distanz
29 Ähnlichkeitssuche / Indexstrukturen Quadtree 1974 vorgeschlagen für Index im Hauptspeicher für 2 Dimensionen Erweiterung für 3 Dimensionen nicht durchgesetzt Idee: Ein 2-dim Raum kann durch 2 orthogonale Linien in 4 Sektoren zerlegt werden Aufteilung kann rekursiv verfeinert werden
30 Ähnlichkeitssuche / Indexstrukturen Quadtree Beispiel NO SO SW NW 1 2 NO SO SW NW NO SO SW NW NO SO SW NW
31 Ähnlichkeitssuche / Indexstrukturen Quadtree Vorteile Einfache Implementierung Gute Performance im 2-dim Raum (balanciert) Nachteile Nicht sinnvoll für >2-dim Räume (2 d Teilräume) i.a. nicht balanciert Baumstruktur abhängig von der Einfügereihenfolge (bei Punkt-Quadtree) Ist Hauptspeicherstruktur, daher schlechte Performance bei Nutzung im Sekundärspeicher
32 Ähnlichkeitssuche / Indexstrukturen K-d-Tree 1975 entwickelt für höherdimensionale Räume Idee: K-d-Tree ist Binärbaum Jeder Knoten enthält eine Gerade, die den Raum parallel zu einer Achse teilt Höhe des Knotens bestimmt die betroffene Dimension
33 Ähnlichkeitssuche / Indexstrukturen K-D-Tree Beispiel (K=2) 1 L R 1 2 O 5 U O 2 U 5 3 L 3 R 4 4 O U
34 Ähnlichkeitssuche / Indexstrukturen K-d-Tree Vorteile Einfache Implementierung Gute Performance im 2-dim Raum (balanciert) Balancierte Variante mit B-Baum Nachteile Schlechtere Performance für >2-dim Räume (große Höhe) i.a. nicht balanciert (außer B-Baum) Baumstruktur abhängig von der Einfügereihenfolge
35 Ähnlichkeitssuche / Indexstrukturen Gridfile 1981/84 entwickelt Idee: Datenraum wird in Gitterzellen ( grid ) unterteilt Entstandene Zellen erhalten Datenblock im Speicher (Zuweisung im Verzeichnis eingetragen) Punkte einer Zelle werden im zugehörigen Block gespeichert Falls beim Einfügen ein Überlauf stattfindet wird neue Trennlinie eingefügt und neue Zellen werden ins Verzeichnis eingetragen
36 Ähnlichkeitssuche / Indexstrukturen Gridfile Beispiel , 4
37 Ähnlichkeitssuche / Indexstrukturen Gridfile Vorteile Einfache Implementierung Gute Performance (2 Diskzugriffe pro Punktanfrage) Balancierte Variante mit B-Baum Nachteile Iteratives Einfügen von Punkten unausgeglichene Struktur Schlechtes Verhalten bei Datenmengen mit Clustern Verzeichnisgröße wächst superlinear in Anzahl der Punkte
38 Ähnlichkeitssuche / Indexstrukturen Voronoi-Diagramm Idee: Raum wird zerlegt in p Voronoi-Zellen (p = Punktanzahl) Jede Zelle enthält den zugehörigen Punkt und alle die Punkte, zu denen er Nächster-Nachbar ist
39 Ähnlichkeitssuche / Indexstrukturen Voronoi-Diagramm Beispiel
40 Ähnlichkeitssuche / Indexstrukturen Voronoi-Diagramm Vorteile Relativ gute Performance im niedrigdimensionalen Raum Nachteile Teure Berechnung des Voronoi-Diagramms (>>dim) Großer Speicheraufwand für Voronoizellen i.a. keine schnellere Suchperformance als bei anderen Methoden
41 Ähnlichkeitssuche / Indexstrukturen Vektor-Approxiation-File Idee Punkte im Suchraum werden als Vektoren dargestellt und in Dateien gespeichert Für die Suche werden approximierte Vektoren verwendet (sehr kleine Teilräume um den Punkt) Dadurch werden Operationen gespart und man erhält ein approximiertes Anfrageergebnis Punkte, die vom Anfragepunkt weit entfernt liegen, werden nicht zurückgegeben Punkte, die zurückgegeben werden haben sehr warscheinlich große Ähnlichkeit mit der Anfrage
42 Zusammenfassung Image Retrieval ist notwendig, um effektiv in großen Bildarchiven suchen zu können. Zur effektiven und objektiven Beschreibung von Bildern eignen sich automatische Extraktionsalgorithmen für die Merkmale. Bisherige Algorithmen sind noch nicht ausreichend, um eine vergleichbar gute Ergebnisqualität zur subjektiv-menschlichen Auswahl zu erzeugen. Speziell Suchanfragen, die eine Interpretation der Bilddaten erfordern (Level 2 und 3) sind problematisch.
43 Zusammenfassung Um gute Ergebnisse zu erhalten benötigt man viele Merkmale. Viele Merkmale als Ähnlichkeitskriterium für Bilder erzeugen einen hochdimensionalen Suchraum. Effektive Suchalgorithmen für sehr hochdimensionale Suchräume sind nicht bekannt. Für jeden Algorithmus gibt es eine Dimensionsanzahl, für die eine sequenzielle Suche schneller ist. Es besteht demnach Forschungsbedarf in Richtung Geschwindigkeit und Ergebnisqualität für Suchalgorithmen beim Image Retrieval.
44 Quellen Dr. R. Weber (ETH-Zürich): Multimedia Retrieval (2001) Dr. Ingo Schmitt (OvG-Uni-Magdeburg): Vorlesung Multimedia-Datenbanken (2001) Prof. Klaus Voss / Dr. Herbert Süße (FSU-Jena) Praktische Bildverarbeitung Hanser Studienbücher (1991)
Suche in Multimediadatenbeständen. Image Retrieval
Suche in Multimediadatenbeständen Image Retrieval Suchstrategien, Ähnlichkeitsmaße und Indexstrukturen für die Suche in Bilddatenbeständen Seminararbeit im Seminar Neue Technologien in Internet und WWW
MehrKlasse räumlicher Indexstrukturen, die den Datenraum rekursiv in 4 gleich große Zellen unterteilen (Quadranten NW, NE, SW, SE)
4.4 Quadtrees Überblick Klasse räumlicher Indexstrukturen, die den Datenraum rekursiv in 4 gleich große Zellen unterteilen (Quadranten NW, NE, SW, SE) Verwaltung von Punkten, Kurven, Flächen usw., häufig
Mehr4.4 Quadtrees. Literatur
4.4 Quadtrees Überblick Klasse räumlicher Indexstrukturen, die den Datenraum rekursiv in 4 gleich große Zellen unterteilen (Quadranten NW, NE, SW, SE) Verwaltung von Punkten, Kurven, Flächen usw., häufig
Mehr{0,1} rekursive Aufteilung des Datenraums in die Quadranten NW, NE, SW und SE feste Auflösung des Datenraums in 2 p 2 p Gitterzellen
4.4 MX-Quadtrees (I) MatriX Quadtree Verwaltung 2-dimensionaler Punkte Punkte als 1-Elemente in einer quadratischen Matrix mit Wertebereich {0,1} rekursive Aufteilung des Datenraums in die Quadranten NW,
MehrIndexstrukturen in Datenbanken
für Zeichendaten und Texte sowie mehrdimensionale Dateiorganisation und Zugriffspfade 3. Juli 2014 Inhaltsverzeichnis 1 Einleitung 2 Präfix B+-Baum 3 Tries 4 k-dimensionale Bäume 5 Grid-File 6 mehrdimensionales
MehrKap. 14: Ähnlichkeitssuche in Bilddatenbanken
Kap. 14: Ähnlichkeitssuche in Bilddatenbanken Motivation Ähnlichkeit zwischen zwei Bildern Nächste-Nachbar Suchproblem und Indexstrukturen Komplexe Anfragen Verbesserung des Retrievals durch Relevanz Feedback
MehrMultimedia-Datenbanken im SS 2010 Einführung in MMDB
Multimedia-Datenbanken im SS 2010 Einführung in MMDB Dr.-Ing. Marcin Grzegorzek 27.04.2010 Ähnlichkeitssuche in Multimedia-Datenbanken 2/ 28 Inhalte und Termine 1. Einführung in MMDB 1.1 Grundlegende Begriffe
MehrGeometrie 2. Julian Fischer Julian Fischer Geometrie / 30
Geometrie 2 Julian Fischer 6.7.2009 Julian Fischer Geometrie 2 6.7.2009 1 / 30 Themen 1 Bereichssuche und kd-bäume 1 Bereichssuche 2 kd-bäume 2 Divide and Conquer 1 Closest pair 2 Beispiel: Points (IOI
MehrEine Indexstruktur zur schnellen Nächste-Nachbar-Suche im metrischen Raum
Eine struktur zur schnellen Nächste-Nachbar-Suche im metrischen Raum (Zusammenarbeit mit Sören Balko) Brandenburgische Technische Universität Cottbus Institut für Informatik 4. Juli 2007 Gliederung 1 2
MehrGeometrie II. Deniz Neufeld Deniz Neufeld Geometrie II / 39
Geometrie II Deniz Neufeld 20.06.2016 Deniz Neufeld Geometrie II 20.06.2016 1 / 39 Ziel Umgehen mit großen, mehrdimensionalen Datenmengen Bereichssuche Nearest-Neighbour-Search Mehrdimensionale Datenverarbeitung
MehrWinter 2011/ Projekt kd- Trees. achsenparallelen Farbwürfel angeordnet. Die beiden schwarz- weiß- Ecken verbindet eine Graulinie.
Praktikum Algorithmik Prof. Dr. Heiner Klocke Winter 2011/2012 12.11.2011 1. Erläuterung des Umfeldes Projekt kd- Trees Bei der Bildanalyse sollen Farbpunkte eines Bildes klassifiziert werden. Die Farbe
MehrMehrdimensionale Zugriffspfade und Dateiorganisation
Mehrdimensionale Zugriffspfade und Dateiorganisation Gliederung Begriffe, Anforderungen und Probleme, Anwendungsgebiete Konkrete Techniken Bäume Grid-File Mehrdimensionales Hashing Begriffe Eindimensionale
MehrVorlesung Datenbanken II SS 2006
Vorlesung Datenbanken II SS 2006 1 Vorlesung Datenbanken II SS 2006 Sven Wachsmuth, Technische Fakultät, AG Angewandte Informatik Vorlesung Datenbanken II SS 2006 2 Suche in Bilddatenbanken Verschlagwortete
MehrCaliph & Emir. Retrieval und Annotation von digitalen Photos mit MPEG-7. Mathias Lux
Caliph & Emir Retrieval und Annotation von digitalen Photos mit MPEG-7 Mathias Lux mlux@know-center.at - gefördert durch das Kompetenzzentrenprogramm Overview Einleitung Geschichtliches Annotation mit
MehrBilder. Bildsuchmaschiene. Bildsuche. Überblick. Beispiele im WWW. Inhaltsbasierte Bildsuche Motivation
Bilder Inhaltsbasierte Bildsuche Motivation Informatica Feminale Universität Bremen, Aug. 2005 Maja Temerinac Albert-Ludwigs-Universität Freiburg Ein Bild sagt mehr als tausend Worte. Chinesisches Sprichwort
MehrProjektgruppe. Clustering und Fingerprinting zur Erkennung von Ähnlichkeiten
Projektgruppe Jennifer Post Clustering und Fingerprinting zur Erkennung von Ähnlichkeiten 2. Juni 2010 Motivation Immer mehr Internet-Seiten Immer mehr digitale Texte Viele Inhalte ähnlich oder gleich
MehrKap. 3: Image Retrieval. 3.1 Motivation
Kap. 3: Image Retrieval Motivation Inhaltserschliessung von Bildern Suchen nach Bildern Indexstrukturen für Ähnlichkeitssuche Auswertung komplexer Anfragen Approximierte und parallele Ähnlichkeitssuche
MehrÜbungen zu Multimedia-Datenbanken Aufgabenblatt 2 - Musterlösungen
Übungen zu Multimedia-Datenbanken Aufgabenblatt 2 - Musterlösungen Übung: Dipl.-Inform. Tina Walber Vorlesung: Dr.-Ing. Marcin Grzegorzek Fachbereich Informatik, Universität Koblenz Landau Ausgabe: 03.05.200
MehrStephan Filipczyk. Relevance Feedback. Seminar Bridging the Semantic Gap
Stephan Filipczyk Relevance Feedback Seminar Bridging the Semantic Gap Übersicht Motivation Komponenten und Funktionsweise Ausprägungen Voraussetzungen und Herausforderungen Fragen Seminar "Bridging the
MehrMultimedia-Datenbanken im SS 2010 Ähnlichkeitsmaße II
Multimedia-Datenbanken im SS 2010 Ähnlichkeitsmaße II Dr.-Ing. Marcin Grzegorzek 22.06.2010 Inhalte und Termine 1. Einführung in MMDB 1.1 Grundlegende Begriffe 1.2 Suche in einem MMDBS 1.3 MMDBMS-Anwendungen
MehrExkurs: Datenstruktur Quad Tree
Exkurs: Datenstruktur Quad Tree Prof. Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering LS11 Universität Dortmund 27. VO WS07/08 04. Februar 2008 1 Mehrdimensionale Suchstrukturen Gegeben: Menge S von
MehrAhnlichkeitsbestimmung von Bildern
Seminar: Content Based Image Retrieval Lehrstuhl fur Mustererkennung und Bildverarbeitung 10. Januar 2005 Ubersicht Einfuhrung Problemstellung: Vergleiche Merkmale verschiedener Bilder und bewerte deren
MehrKapitel 31 Bild- und Tonretrieval. HHU Düsseldorf, WS 2008/09 Information Retrieval 483
Kapitel 31 Bild- und Tonretrieval HHU Düsseldorf, WS 2008/09 Information Retrieval 483 Multimedia Information Retrieval Content-based Information Retrieval gesprochene Sprache Musik und weitere Audio-Dokumente
Mehr1. Referenzpunkt Transformation
2.3 Featurereduktion Idee: Anstatt Features einfach wegzulassen, generiere einen neuen niedrigdimensionalen Featureraum aus allen Features: Redundante Features können zusammengefasst werden Irrelevantere
MehrBachelorverteidigung Marco Franke
Bachelorverteidigung Java EE Webservice basiert auf RESTlet, JaxB und JPA/Hibernate zur Bilderkennung mit Hilfe der SURF-Merkmalsextraktion Verantwortlicher Professor: Prof. Dr. rer. nat. Klaus Hering
MehrÜbungen zu Multimedia-Datenbanken Aufgabenblatt 4 - Musterlösungen
Übungen zu Multimedia-Datenbanken Aufgabenblatt 4 - Musterlösungen Übung: Dipl.-Inf. Tina Walber Vorlesung: Dr.-Ing. Marcin Grzegorzek Fachbereich Informatik, Universität Koblenz Landau Ausgabe: 31.0.2010
MehrAngewandte Informatik: Lehrstuhl Medieninformatik
Angewandte Informatik: Lehrstuhl Medieninformatik Prof. Dr. Andreas Henrich Otto-Friedrich-Universität Bamberg Fakultät für Wirtschaftsinformatik und Angewandte Informatik Lehrstuhl für Medieninformatik
MehrUsing Sets of Feature Vectors for Similarity Search on Voxelized CAD Data
Diplomarbeit Using Sets of Feature Vectors for Similarity Search on Voxelized CAD Data Stefan Brecheisen Aufgabensteller: Betreuer: Dank an: Prof. Dr. Hans-Peter Kriegel Martin Pfeifle Peer Kröger, Matthias
MehrPCA based feature fusion
PCA based feature fusion Seminar Inhaltsbasierte Bildsuche WS 04/05 Übersicht Motivation: PCA an einem Beispiel PCA in der Bildsuche Tests Zusammenfassung / Ausblick Diskussion / Demo 2 Motivation: PCA
MehrTU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Alfons Kemper, Ph.D.
TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Alfons Kemper, Ph.D. Blatt Nr. 2 Übung zur Vorlesung Grundlagen: Datenbanken im WS3/4 Henrik Mühe (muehe@in.tum.de) http://www-db.in.tum.de/teaching/ws34/dbsys/exercises/
MehrWINTERSEMESTER 2006/2007. Mehrdimensionale Bäume
ALGORITHMISCHE ANWENDUNGEN WINTERSEMESTER 2006/2007 Team: B_blau_Ala0607 Wilhelm Faber 11032935 Ioannis Chouklis 11042438 1 Inhaltsverzeichnis Inhaltsverzeichnis...2 1. Der k-d Baum...3 1.1. Inhomogene
Mehr<is web> Grundidee hierarchischer Indexierungsverfahren: Ausgangspunkt: punktförmige hochdimensionale Feature-Objekte
Baumverfahren Baumverfahren (2) Ausgangspunkt: punktförmige hochdimensionale Feature-Objekte B-Baum eindimensional Abbildung eines mehrdimensionalen Raums auf eine Dimension im Allgemeinen nicht distanzerhaltend
MehrHallo Welt für Fortgeschrittene
Hallo Welt für Fortgeschrittene Geometrie II Benjamin Zenke Informatik 2 Programmiersysteme Martensstraße 3 91058 Erlangen Inhalt Closest Pair Divide & Conquer Bereichssuche Gitterverfahren k-d-tree Sweep-Line-Algorithmen
MehrKlassifikation durch direkten Vergleich (Matching)
Klassifikation durch direkten Vergleich (Matching) Eine triviale Lösung für die Klassifikation ergibt sich durch direkten Vergleich des unbekannten Musters in allen Erscheinungsformen der Äquivalenzklasse
MehrEinleitung. Komplexe Anfragen. Suche ist teuer. VA-File Verfeinerungen. A0-Algo. GeVAS. Schluß. Folie 2. Einleitung. Suche ist teuer.
Anwendung Input: Query-Bild, Ergebnis: Menge ähnlicher Bilder. Kapitel 8: Ähnlichkeitsanfragen und ihre effiziente Evaluierung Wie zu finden? Corbis, NASA: EOS Bilddatenbank Folie Folie 2 Ähnlichkeitssuche
Mehr[Arbeiten mit dem Nvu Composer]
Eine neue Seite erstellen Beim Start des Composers steht automatisch eine neue Composer-Seite zur Verfügung, die direkt verwendet werden kann. Über Datei > Neu > Composer-Seite kann jederzeit eine neue
Mehr(query by image content)
Proseminar Multimedia Information-Retrieval-Systeme (query by image content) Das QBIC Projekt 1. Einleitung 1.1 Was ist QBIC 1.2 Wo wird es verwendet 2. QBIC im Detail 2.1 technische Grundlagen 2.2 Aufbau
MehrAusgangspunkt: punktförmige hochdimensionale Feature-Objekte
Baumverfahren Ausgangspunkt: punktförmige hochdimensionale Feature-Objekte B-Baum eindimensional Abbildung eines mehrdimensionalen Raums auf eine Dimension im Allgemeinen nicht distanzerhaltend möglich
MehrB / B* - Bäume. Guido Hildebrandt Seminar Datenbanksysteme
B / B* - Bäume Guido Hildebrandt Seminar Datenbanksysteme 25.11.2010 Gliederung Einleitung Binärbaum B - Baum B* - Baum Varianten Zusammenfassung Quellen Gliederung Einleitung Binärbaum B - Baum B* - Baum
MehrDualität + Quad-trees
Übung Algorithmische Geometrie Dualität + Quad-trees LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Andreas Gemsa 30.06.2011 Übersicht Übungsblatt 10 - Dualität
MehrIndexstrukturen für Zeichendaten und Texte
Indexstrukturen für Zeichendaten und Texte Felix Hain HTWK Leipzig 29.06.15 Gliederung 29.06.15 Felix Hain 2 1 B + -Baum 1.1 Präfix-B + -Baum 1.2 B + -Baum für BLOBs 2 Digitale Bäume 2.1 Trie 2.2 Patricia
MehrBücher und Artikel zum Thema
Materialsammlung zur Implementierung von Information Retrieval Systemen Karin Haenelt 11.12.2005/11.12.2004/06.12.2003/10.11.2002 1 Bücher und Artikel zum Thema Frakes/Baeza-Yates, 1992 Baeza-Yates/Ribeiro-Neto,
MehrMaterialsammlung zur Implementierung von Information Retrieval Systemen
Materialsammlung zur Implementierung von Information Retrieval Systemen Karin Haenelt 11.12.2005/11.12.2004/06.12.2003/10.11.2002 1 Bücher und Artikel zum Thema Frakes/Baeza-Yates, 1992 Baeza-Yates/Ribeiro-Neto,
Mehrk-nächste-nachbarn-schätzung
k-nächste-nachbarn-schätzung Mustererkennung und Klassifikation, Vorlesung No. 7 1 M. O. Franz 29.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Duda et al., 2001. Übersicht
MehrEfficient and Effective Querying by Image Content
Efficient and Effective Querying by Image Content Jan Rittinger (Matrikelnr.: /472882) im Rahmen des Seminar support for non-standard datatypes in dbms Konstanz, den 4. März 24 2 EINFÜHRUNG IN MULTIMEDIA-DATENBANKEN
Mehr(Bamberg)
Konzeption eines Frameworks für die Evaluation von Tag-Suggestion-Algorithmen Martin Garbe Steffen Oldenburg Lukas Zielinski Prof. Dr. Clemens Cap (Universität Rostock) 08.05.2008 (Bamberg) Übersicht Tags
MehrMehrwegbäume Motivation
Mehrwegbäume Motivation Wir haben gute Strukturen (AVL-Bäume) kennen gelernt, die die Anzahl der Operationen begrenzen Was ist, wenn der Baum zu groß für den Hauptspeicher ist? Externe Datenspeicherung
MehrKapitel 4: Data Mining
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS Skript zur Vorlesung: Einführung in die Informatik: Systeme und Anwendungen Sommersemester 2017 Kapitel 4: Data Mining Vorlesung:
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2006 9. Vorlesung Peter Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Invertierte Listen Nutzung vor allem zur Textsuche
MehrAlgorithmen zur lageinvarianten Merkmalsgewinnung für Draht gittermodelle
Vortrag zur Diplomarbeit Algorithmen zur lageinvarianten Merkmalsgewinnung für Draht gittermodelle Lehrstuhl für Mustererkennung und Bildverarbeitung Albert Ludwigs Universität Freiburg Marco Reisert Übersicht
MehrEntwicklung einer robusten Methode zur Berechnung von Stereokorrespondenzen
Entwicklung einer robusten Methode zur Berechnung von Stereokorrespondenzen Seminar - Wintersemester 2010/2011 Fakultät Technik und Informatik Department Informatik Gregory Föll Übersicht Rückblick Stereo
MehrMultimedia Retrieval. Kapitel 5: Suchen in Multimedialen Daten. Dr. Roger Weber, Informatik / / WS06/07
Informatik / 251-0341-00 / WS06/07 Multimedia Retrieval Kapitel 5: Suchen in Multimedialen Daten Dr. Roger Weber, weber@inf.ethz.ch 5.1 Motivation 5.2 Wie funktioniert Ähnlichkeitssuche? 5.3 Primärinformation
MehrDatenbanken: Indexe. Motivation und Konzepte
Datenbanken: Indexe Motivation und Konzepte Motivation Warum sind Indexstrukturen überhaupt wünschenswert? Bei Anfrageverarbeitung werden Tupel aller beteiligter Relationen nacheinander in den Hauptspeicher
MehrBoole'sches Modell <is web>
Boole'sches Modell basiert auf Mengentheorie und Boole'scher Algebra sehr einfaches Modell mit klarer Semantik Dokumente als Mengen von Indextermen Termgewichte sind binär: im Dokument enthalten oder nicht
Mehr1 Einleitung Definitionen, Begriffe Grundsätzliche Vorgehensweise... 3
Inhaltsverzeichnis 1 Einleitung 1 1.1 Definitionen, Begriffe........................... 1 1.2 Grundsätzliche Vorgehensweise.................... 3 2 Intuitive Klassifikation 6 2.1 Abstandsmessung zur Klassifikation..................
MehrAlgorithmen und Datenstrukturen 1
Algorithmen und Datenstrukturen 1 10. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Suchverfahren für große Datenmengen bisher betrachtete Datenstrukturen
MehrB+-Baum mit Z-Ordnung. B+-Baum mit Z-Ordnung. Anforderungen. 7.3 Räumliche Zugriffsstrukturen
B+-Baum mit Z-Ordnung Window Query: 1. Ansatz Benutze den gewöhnlichen Algorithmus für Bereichsanfragen im B + -Baum: Suche mit dem kleinsten Z-Wert des Suchrechtecks (entspricht dem linken unteren Eckpunkt)
MehrKollisionserkennung
1 Kollisionserkennung von Jens Schedel, Christoph Forman und Philipp Baumgärtel 2 1. Einleitung Wozu wird Kollisionserkennung benötigt? 3 - für Computergraphik 4 - für Simulationen 5 - für Wegeplanung
MehrDatenbankanwendung. Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern. Wintersemester 2014/15.
Datenbankanwendung Wintersemester 2014/15 Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern smichel@cs.uni-kl.de Wiederholung: Min-Hashing ˆ Gegeben zwei Mengen A und B von Objekten. ˆ Ein oft benutztes
MehrQuadtrees und Meshing
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 19.06.2012 Motivation: Meshing von Platinenlayouts Zur Simulation der Hitzeentwicklung
MehrQuadtrees und Meshing
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 19.06.2012 Motivation: Meshing von Platinenlayouts Zur Simulation der Hitzeentwicklung
MehrIntegriertes Seminar Datenbanken und Informationssysteme. Was sind Peer-to-Peer Systeme? Wie kann man diese effizient nutzen?
Integriertes Seminar Datenbanken und Informationssysteme P2P-Computing Lehrgebiet Datenverwaltungssysteme Prof. Dr. Dr. h.c. Härder Prof. Dr. Deßloch Björn Jung b_jun@informatik.uni-kl.de Technische Universität
MehrIndizierung von Geodaten - Raumbezogene Indexstrukturen. Seminar mobile Geoinformationssystem Vortrag von Markus Steger
Indizierung von Geodaten - Raumbezogene Indexstrukturen Seminar mobile Geoinformationssystem Vortrag von Markus Steger Index wozu ist er gut? Index allgemein Effizienter Zugriff auf Daten, i.d.r. mit B-Baum
MehrQuadtrees und Meshing
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 24.06.2014 Motivation: Meshing von Platinenlayouts Zur Simulation der Hitzeentwicklung
Mehr6. Texterkennung in Videos Videoanalyse
6. Texterkennung in Videos Videoanalyse Dr. Stephan Kopf 1 Übersicht Motivation Texterkennung in Videos 1. Erkennung von Textregionen/Textzeilen 2. Segmentierung einzelner Buchstaben 3. Auswahl der Buchstabenpixel
MehrSeminar-Vortrag von Michael Vollmer
FADE: Graph Drawning, Clustering and visual Abstraction Seminar-Vortrag von Michael Vollmer Institut für Theoretische Informatik 1 KIT FADE: Universität Graph des Drawning, Landes Clustering Baden-Württemberg
MehrMidas Metadata yield by Data Analysis
Midas Metadata yield by Data Analysis Glossar powered by Was ist Text Mining? Unter Text Mining versteht sich im Allgemeinen die Extraktion von strukturierten Informationen aus unstrukturierten oder semistrukturierten
MehrInformation Retrieval. Peter Kolb
Information Retrieval Peter Kolb Semesterplan Einführung Boolesches Retrievalmodell Volltextsuche, invertierter Index Boolesche Logik und Mengen Vektorraummodell Evaluation im IR Term- und Dokumentrepräsentation
MehrKapitel 13: Multimediadatenbanken
Skript zur Vorlesung Wintersemester 4/5 4 Christian Böhm Kapitel 13: Multimediadatenbanken Vorlesung: Christian Böhm Übungen: Elke Achtert, Karin Kailing Skript 5 Christian Böhm http://www.dbs.informatik.uni-muenchen.de/lehre/dbs
MehrEFM-DBSCAN EIN BAUMBASIERTER CLUSTERING- ALGORITHMUS UNTER AUSNUTZUNG ERWEITERTER LEADER-UMGEBUNGEN. Philipp Egert. 08. März 2017
08. März 2017 EFM-DBSCAN EIN BAUMBASIERTER CLUSTERING- ALGORITHMUS UNTER AUSNUTZUNG ERWEITERTER LEADER-UMGEBUNGEN Philipp Egert Fachgebiet Datenbank- und Informationssysteme Motivation DBSCAN als Vorreiter
MehrÜbersicht. Volltextindex Boolesches Retrieval Termoperationen Indexieren mit Apache Lucene
Übersicht Volltextindex Boolesches Retrieval Termoperationen Indexieren mit Apache Lucene 5.0.07 1 IR-System Peter Kolb 5.0.07 Volltextindex Dokumentenmenge durchsuchbar machen Suche nach Wörtern Volltextindex:
Mehr3D-Rekonstruktion aus Bildern
Allgemeine Nachrichtentechnik Prof. Dr.-Ing. Udo Zölzer 3D-Rekonstruktion aus Bildern Dipl.-Ing. Christian Ruwwe 41. Treffen der ITG-Fachgruppe Algorithmen für die Signalverarbeitung HSU Hamburg 24. Februar
MehrInformation Retrieval
Information Retrieval 1 Information Retrieval Norbert Fuhr 13. Oktober 2011 Einführung 1 IR in Beispielen 2 Was ist IR? 3 Daten Information Wissen 4 Dimensionen des IR 5 Rahmenarchitektur für IR-Systeme
MehrNeue Ansätze für Mustererkennung und automatisches Lernen
Z Y X Neue Ansätze für Mustererkennung und automatisches Lernen Vortrag im Rahmen des 2. Technologieforums Bildverarbeitung am 03./04. November 2015 Johannes Zügner STEMMER IMAGING GmbH, Puchheim GLIEDERUNG
MehrDistributed Algorithms. Image and Video Processing
Chapter 6 Optical Character Recognition Distributed Algorithms for Übersicht Motivation Texterkennung in Bildern und Videos 1. Erkennung von Textregionen/Textzeilen 2. Segmentierung einzelner Buchstaben
MehrEffiziente Java Implementierung von echtzeitfähiger, stabiler Farbsegmentierung mittels k nächste Nachbarn
Effiziente Java Implementierung von echtzeitfähiger, stabiler Farbsegmentierung mittels k nächste Nachbarn Christian Schellewald http://www.iet.ntnu.no/~schellew/java/knn/ Wiesbaden, den 5. November 2010
MehrUnüberwachtes Lernen
Unüberwachtes Lernen Mustererkennung und Klassifikation, Vorlesung No. 12 M. O. Franz 17.01.2008 Übersicht 1 Hauptkomponentenanalyse 2 Nichtlineare Hauptkomponentenanalyse 3 K-Means-Clustering Übersicht
MehrBerechnung approximierter Voronoi-Zellen auf geometrischen Datenströmen
Definition Berechnung approximierter Voronoi-Zellen auf geometrischen Datenströmen Seminar über Algorithmen WS 2005/2006 Vorgetragen von Oliver Rieger und Patrick-Thomas Chmielewski basierend auf der Arbeit
MehrClustering 2010/06/11 Sebastian Koch 1
Clustering 2010/06/11 1 Motivation Quelle: http://www.ha-w.de/media/schulung01.jpg 2010/06/11 2 Was ist Clustering Idee: Gruppierung von Objekten so, dass: Innerhalb einer Gruppe sollen die Objekte möglichst
MehrGrafikformate. Grafikformate. Digitale Bildverarbeitung Bildkompression
Digitale Bildverarbeitung Bildkompression Einleitung Datenmenge für ein unkomprimiertes Bild Verwendungszweck des Bildes Bild soll weiterverarbeitet werden Bild soll archiviert werden Bild soll per E-Mail
Mehr4. Räumliche Indexstrukturen
4. Räumliche Indexstrukturen 4.1 Einführung 4.2 Z-Ordnung 4.3 R-Bäume 4.4 Quadtrees Geo-Informationssysteme 66 4.1 Einführung (I) Grundlegende Ideen konventionelle Zugriffsstrukturen sind für die Verwaltung
MehrQuadtrees und Meshing
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 21.06.2011 Motivation: Meshing von Platinenlayouts Zur Simulation
MehrR-Baum eine dynamische Index-Strukur für räumliche Suche
Gabriele Wilke-Müller Klufternerstraße 73 88048 Friedrichshafen wilke-mueller@t-online.de Matrikel-Nr. 01/482681 Support for Non-Standard Data Types in DBMSs WS 2003/2004 bei Prof. Dr. Marc H. Scholl Thema:
Mehr4.3 R-Bäume (I) Idee. basiert auf der Technik überlappender Seitenregionen verallgemeinert die Idee des B + -Baums auf den 2-dimensionalen Raum
4.3 R-Bäume (I) Idee basiert auf der Technik überlappender Seitenregionen verallgemeinert die Idee des B + -Baums auf den 2-dimensionalen Raum Geo-Informationssysteme 98 4.3 R-Bäume (I) Definition Ein
Mehr7. Dynamische Datenstrukturen Bäume. Informatik II für Verkehrsingenieure
7. Dynamische Datenstrukturen Bäume Informatik II für Verkehrsingenieure Übersicht dynamische Datenstrukturen Wozu? Oft weiß man nicht von Beginn an, wieviele Elemente in einer Datenstruktur untergebracht
MehrNachteile Boolesches Retrieval
Nachteile Boolesches Retrieval Komplizierte Anfragen Häufigkeit bzw. Relevanz der Terme in den Dokumenten nicht berücksichtigt 2 von 3 UND-verknüpften Termen im Dokument so schlecht wie 0 Terme Keine Rangfolge
Mehr3.2.2 Anfragen an die Vergangenheit. Idee:
Verwaltung der Vergangenheit Idee: Erweiterung des R-Baums um eine weitere Dimension, die Zeit t Die Trajektorie eines Objektes kann als Sequenz von (d+1)-dimensionalen Liniensegmenten repräsentiert werden
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Bildanalyse Literatur David A. Forsyth: Computer Vision i A Modern Approach. Mark S. Nixon und Alberto S. Aguado: Feature Extraction and Image Processing. Ulrich Schwanecke:
MehrVortrag 20: Kurze Vektoren in Gittern
Seminar: Wie genau ist ungefähr Vortrag 20: Kurze Vektoren in Gittern Kerstin Bauer Sommerakademie Görlitz, 2007 Definition und Problembeschreibung Definition: Gitter Seien b 1,,b k Q n. Dann heißt die
MehrLernmodul 2 Modelle des Raumes
Folie 1 von 21 Lernmodul 2 Modelle des Raumes Bildnachweis: www. tagesschau.de Folie 2 von 21 Modelle des Raumes Übersicht Motivation Was ist Raum? Formalismus und Invarianz Metrischer Raum/Euklidischer
MehrMultimedia Retrieval. Warum Multimedia Retrieval? Image Retrieval Video Retrieval Audio/ Musik Retrieval. Fakten. Image Retrieval
Multimedia Retrieval Image Retrieval Hauptseminar Innovatives Information Retrieval Dozent: Dr. Thomas Mandl 02.02.05 von Jens Bertram Gliederung 1. Grundbegriffe und Überblick 1.1 Content-Based Information
MehrV by WBR1/BFH-TI 2011 by MOU2/BFH-TI
Java-Applets Unterlagen zum Modul OOP mit Java V 3.0 2007 by WBR1/BFH-TI 2011 by MOU2/BFH-TI Java-Applets V3.0 2011 by WBR1&MOU2/BFH- TI Lernziele Die Kursteilnehmer sind in der Lage: Möglichkeiten und
MehrQuad-trees. Benjamin Niedermann Übung Algorithmische Geometrie
Übung Algorithmische Geometrie Quad-trees LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann 02.07.2014 Übersicht Übungsblatt 11 - Quadtrees Motivation:
MehrEin Secondo-basierter Routenplaner mit Berücksichtigung von Steigungen
Ein Secondo-basierter Routenplaner mit Berücksichtigung von Steigungen Holger Hennings, Fabio Valdés Fachpraktikum Erweiterbare Datenbanksysteme (WS 2017/18) Lehrgebiet Datenbanksysteme für neue Anwendungen
MehrSchnellere Indexverarbeitung durch Einsatz moderner Grakkarten
Schnellere Indexverarbeitung durch Einsatz moderner Grakkarten Patrick Häuschen FH Bonn-Rhein-Sieg 1. Dezember 2008 Patrick Häuschen S. 1 Inhalt Einleitung Idee Indexstrukturen Grakkarte Aufbau der GPU
Mehr