Gemini, FastMap, Applications. Εαρινό Εξάμηνο Τμήμα Μηχανικών Η/Υ και Πληροϕορικής Πολυτεχνική Σχολή, Πανεπιστήμιο Πατρών
|
|
- Ελευθέριος Γερμανός
- 7 χρόνια πριν
- Προβολές:
Transcript
1 Gemini,, Applications Τμήμα Μηχανικών Η/Υ και Πληροϕορικής Πολυτεχνική Σχολή, Πανεπιστήμιο Πατρών Εαρινό Εξάμηνο
2 Table of contents 1
3 Table of contents 1 2
4 Table of contents 1 2 3
5 Table of contents
6 Table of contents
7 Table of contents
8 Table of contents
9 Table of contents
10
11 Σκοπός Για μια βάση δεδομένων που περιέχει πολυμέσα όπως: 1-d time sequences Digitized voice or music 2-d color images 2-d or 3-d gray scale medical images Video clips στόχος είναι η δημιουργία αλγορίθμων για την απάντηση διάϕορων ερωτημάτων
12 Σκοπός Για μια βάση δεδομένων που περιέχει πολυμέσα όπως: 1-d time sequences Digitized voice or music 2-d color images 2-d or 3-d gray scale medical images Video clips στόχος είναι η δημιουργία αλγορίθμων για την απάντηση διάϕορων ερωτημάτων Παράδειγμα "Βρες τις εικόνες που έχουν παρόμοιο περιεχόμενο"
13 (1) Whole Match Queries Για μια συλλογή N αντικειμένων O 1, O 2,..., O N και ένα αντικείμενο-ερώτημα q, βρες τα αντικείμενα που διαϕέρουν από το q το πολύ ϵ.
14 (1) Whole Match Queries Για μια συλλογή N αντικειμένων O 1, O 2,..., O N και ένα αντικείμενο-ερώτημα q, βρες τα αντικείμενα που διαϕέρουν από το q το πολύ ϵ. q
15 (1) Whole Match Queries Για μια συλλογή N αντικειμένων O 1, O 2,..., O N και ένα αντικείμενο-ερώτημα q, βρες τα αντικείμενα που διαϕέρουν από το q το πολύ ϵ. q ɛ
16 (2) Sub-pattern Match Για μια συλλογή N αντικειμένων O 1, O 2,..., O N και ένα (υπό-)αντικείμενο-ερώτημα q, βρες τα (υπό-)αντικείμενα που διαϕέρουν από το q το πολύ ϵ.
17 (2) Sub-pattern Match Για μια συλλογή N αντικειμένων O 1, O 2,..., O N και ένα (υπό-)αντικείμενο-ερώτημα q, βρες τα (υπό-)αντικείμενα που διαϕέρουν από το q το πολύ ϵ.
18 (2) Sub-pattern Match Για μια συλλογή N αντικειμένων O 1, O 2,..., O N και ένα (υπό-)αντικείμενο-ερώτημα q, βρες τα (υπό-)αντικείμενα που διαϕέρουν από το q το πολύ ϵ.
19 (3) k nearest neighbors Για μιά συλλογή N αντικειμένων O 1, O 2,..., O N και ένα αντικείμενο-ερώτημα q, βρες τα k αντικείμενα που μοιάζουν περισσότερο στο q.
20 (3) k nearest neighbors Για μιά συλλογή N αντικειμένων O 1, O 2,..., O N και ένα αντικείμενο-ερώτημα q, βρες τα k αντικείμενα που μοιάζουν περισσότερο στο q. q
21 (3) k nearest neighbors Για μιά συλλογή N αντικειμένων O 1, O 2,..., O N και ένα αντικείμενο-ερώτημα q, βρες τα k αντικείμενα που μοιάζουν περισσότερο στο q. q
22 (4) spatial joins Για μιά συλλογή N αντικειμένων O 1, O 2,..., O N βρες τα ζεύγη αντικειμένων που απέχουν μεταξύ τους το πολύ ϵ.
23 (4) spatial joins Για μιά συλλογή N αντικειμένων O 1, O 2,..., O N βρες τα ζεύγη αντικειμένων που απέχουν μεταξύ τους το πολύ ϵ.
24
25 Συνάρτηση Ποσοτικοποιεί την απόσταση/ομοιότητα μεταξύ δυο αντικειμένων Distance function D(O 1, O 2 ) D(O 1, O 1 ) = 0 D(O 1, O 2 ) 0 if O 1 O 2 Επίσης, η τριγωνική ανισότητα είναι επιθυμητή...
26 Τι εννοούμε όταν λέμε δυο αντικείμενα μοιάζουν ή διαϕέρουν? Δυο εικόνες μπορεί να μοιάζουν ως προς: Τα χρώματά τους Το textures Το σχήμα του αντικειμένου που απεικονίζουν Τη σημασία του περιεχομένου τους
27 Απόστασης Χρονοσειρών Ευκλείδεια Απόσταση Dynamic Time Warping Minimal Variance Matching And many more...
28
29 Έχουμε μια συλλογή δεδομένων πολυμέσων, από την οποία θέλουμε να ανακτούμε αντικείμενα με βάση κάποιο ερώτημα Ο υπολογισμός όλων των αποστάσεων σειριακά, για κάθε αντικείμενο είναι πολύ αργός. Για την εναλλακτική προσέγγιση θα πρέπει να ισχύουν: Όχι false dismissals Μικρή επιβάρυνση χώρου Δυναμική (εισαγωγές - διαγραϕές - ανανεώσεις)
30 Προσέγγιση Εξαγωγή Χαρακτηριστικών (Feature Extraction) Χρήση Spatial Access Methods για την επιτάχυνση της αναζήτησης
31 Feature Extraction Σκοπός Έστω ένα αντικείμενο πχ εικόνα, video, τραγούδι κλπ. Στόχος είναι η αναζήτηση κάποιων "χαρακτηριστικών" που θα χρησιμοποιηθούν για την αναπαράσταση του αντικειμένου. Ο αριθμός των χαρακτηριστικών θα πρέπει να είναι μικρότερος του αρχικού μεγέθους.
32
33 Βασική Ιδέα Whole Match Query Για μια συλλογή N αντικειμένων O 1, O 2,..., O N και ένα αντικείμενο-ερώτημα q, βρες τα αντικείμενα που διαϕέρουν από το q το πολύ ϵ. Απλή Προσέγγιση Ο σειριακός υπολογισμός μπορεί να είναι πολύ αργός για δυο λόγους: To μπορεί να είναι υπερβολικά μεγάλο Ο υπολογισμός της συνάρτησης απόστασης μπορεί να χρειάζεται πολύ χρόνο
34 Έστω μια συνάρτηση απόστασης D(O 1, O 2 ) 1 Εξαγωγή k χαρακτηριστικών (k < N) 2 Αντιστοίχηση των δεδομένων στον χώρο των χαρακτηριστικών F(O 1 ), F(O 2 ) 3 Ορισμός της συνάρτησης απόστασης στον χώρο των χαρακτηριστικών D F (F(O 1 ), F(O 2 ))
35 False Dismissals Για να μην υπάρχουν false dismissals θα πρέπει: D F (F(O 1 ), F(O 2 )) D(O 1, O 2 ) Proof θέλω D(q, O i ) ϵ Αν D(q, O i ) ϵ τότε D F (F(q), F(O i )) ϵ επειδή D F (F(O 1 ), F(O 2 )) D(O 1, O 2 )
36
37 Βασική Ιδέα GEneric INdexIng 1 Ορισμός της συνάρτησης απόστασης D() 2 Αναζήτηση των χαρακτηριστικών που θα χρησιμοποιηθούν 3 Απόδειξη ότι η D F () είναι lower-bounds της D() 4 Χρήση μιας SAM για την αποθήκευση και ανάκτηση των feature vectors
38 Βασικά Βήματα Gemini O 1 O 2 O N
39 Βασικά Βήματα Gemini O 1 O 2 O N F (O 1 ) F (O 2 ) F (O N )
40 Βασικά Βήματα Gemini O 1 O 2 O N F (O 1 ) F (O 2 ) F (O N )
41
42 Χρονοσειρές Σύνολο Δεδομένων Έστω ένα σύνολο χρονοσειρών T 1 T 2 T M μήκους N T i = [t i0 t i1 t in 1 ]
43 Χρονοσειρές Σύνολο Δεδομένων Έστω ένα σύνολο χρονοσειρών T 1 T 2 T M μήκους N T i = [t i0 t i1 t in 1 ] Συνάρτηση Απόστασης N 1 D(x, y) = x i y i 2 i=0
44 Χρονοσειρές 1o Βήμα Επιλογή της αντιστοίχησης F()
45 Χρονοσειρές 1o Βήμα Επιλογή της αντιστοίχησης F() F : Discrete Fourier Transform - k πρώτους συντελεστές
46 Χρονοσειρές 1o Βήμα Επιλογή της αντιστοίχησης F() F : Discrete Fourier Transform - k πρώτους συντελεστές D F (F(x), F(y)) = k f=0 X f Y f 2
47 Χρονοσειρές 2o Βήμα Απόδειξη ότι η D F είναι lower bound της D
48 Χρονοσειρές 2o Βήμα Απόδειξη ότι η D F είναι lower bound της D D F (F(x), F(y)) = k 1 f=0 X f Y f 2
49 Χρονοσειρές 2o Βήμα Απόδειξη ότι η D F είναι lower bound της D D F (F(x), F(y)) = k 1 f=0 X f Y f 2 N 1 f=0 X f Y f 2
50 Χρονοσειρές 2o Βήμα Απόδειξη ότι η D F είναι lower bound της D D F (F(x), F(y)) = k 1 f=0 X f Y f 2 N 1 f=0 X f Y f 2 = N 1 i=0 x i y i 2
51 Χρονοσειρές 2o Βήμα Απόδειξη ότι η D F είναι lower bound της D D F (F(x), F(y)) = k 1 f=0 X f Y f 2 N 1 f=0 X f Y f 2 = N 1 i=0 x i y i 2 D(x, y)
52 Εικόνες Δεδομένα Έστω ένα σύνολο N εικόνων. Κάθε εικόνα είναι ένας πίνακας από pixels και κάθε pixel έχει 3 συνιστώσες (R, G, B)
53 Εικόνες - Color Histogram Color Histogram H Ci (I) : αριθμός pixels χρώματος C i της εικόνας I Συνάρτηση απόστασης d 2 h = (x y) t A (x y) = h i h a i,j (x i y j )(x j y i ) j
54 Εικόνες - Color Histogram x = (R avg, G avg, B avg ) t R avg = 1 P R(p) P i=1 3 d 2 avg( x, ȳ) = (x i y i ) 2 i=1
55 Εικόνες - Color auto-correlogram Correlogram auto-correlogram γ (k) c i,c j (I) Pr p1 I Ci,p 2 I[p 2 I Cj p 1 p 2 = k] a (k) C (I) γ(k) C,C (I)
56 Εικόνες - Color auto-correlogram συμπεριλαμβάνει χωρική πληροϕορία Εκϕράζει την πιθανότητα ύπαρξης pixels σε απόσταση k με το ίδιο χρώμα. Feature Distance I I = i m,k d γ (k) C i (I) γ (k) C i (I ) 1+γ (k) C i (I)+γ (k) C i (I )
57
58 Εξαγωγή Χαρακτηριστικών Από ένα σύνολο δεδομένων N διαστάσεων αναζητούμε μια καλή αντιστοίχηση σε ένα χώρο k διαστάσεων, όπου k < N Η εξαγωγή των χαρακτηριστικών είναι ιδιαίτερα σημαντική. Πώς γίνεται? SVD K-L Transform PCA
59 Σκοπός Αντιστοίχηση των αντικειμένων σε ένα χώρο k διαστάσεων έτσι ώστε οι αποστάσεις να διατηρούνται όσο το δυνατό περισσότερο. Είσοδος ένας πίνακας αποστάσεων D N N ή τα αντικείμενα και η συνάρτηση απόστασης
60 Σκοπός Αντιστοίχηση των αντικειμένων σε ένα χώρο k διαστάσεων έτσι ώστε οι αποστάσεις να διατηρούνται όσο το δυνατό περισσότερο. Είσοδος ένας πίνακας αποστάσεων D N N ή τα αντικείμενα και η συνάρτηση απόστασης
61 - Βασικά Βήματα Βασικά Βήματα 1 Αρχικά τα δεδομένα αποτελούν σημεία στον Ν-διάστατο χώρο
62 - Βασικά Βήματα Βασικά Βήματα 1 Αρχικά τα δεδομένα αποτελούν σημεία στον Ν-διάστατο χώρο 2 Επιλέγουμε δυο αντικείμενα O a, O b όσο πιο απομακρυσμένα γίνεται
63 - Βασικά Βήματα Βασικά Βήματα 1 Αρχικά τα δεδομένα αποτελούν σημεία στον Ν-διάστατο χώρο 2 Επιλέγουμε δυο αντικείμενα O a, O b όσο πιο απομακρυσμένα γίνεται 3 Επιλογή του (n-1)-d hyperplane που είναι κάθετο στην ευθεία που περνά από τα σημεία O a, O b
64 - Βασικά Βήματα Βασικά Βήματα 1 Αρχικά τα δεδομένα αποτελούν σημεία στον Ν-διάστατο χώρο 2 Επιλέγουμε δυο αντικείμενα O a, O b όσο πιο απομακρυσμένα γίνεται 3 Επιλογή του (n-1)-d hyperplane που είναι κάθετο στην ευθεία που περνά από τα σημεία O a, O b 4 προβολή των σημείων στην ευθεία και στο hyperplane
65 - Βασικά Βήματα Βασικά Βήματα 1 Αρχικά τα δεδομένα αποτελούν σημεία στον Ν-διάστατο χώρο 2 Επιλέγουμε δυο αντικείμενα O a, O b όσο πιο απομακρυσμένα γίνεται 3 Επιλογή του (n-1)-d hyperplane που είναι κάθετο στην ευθεία που περνά από τα σημεία O a, O b 4 προβολή των σημείων στην ευθεία και στο hyperplane 5 υπολογισμός των νέων αποστάσεων
66 - Βασικά Βήματα Βασικά Βήματα 1 Αρχικά τα δεδομένα αποτελούν σημεία στον Ν-διάστατο χώρο 2 Επιλέγουμε δυο αντικείμενα O a, O b όσο πιο απομακρυσμένα γίνεται 3 Επιλογή του (n-1)-d hyperplane που είναι κάθετο στην ευθεία που περνά από τα σημεία O a, O b 4 προβολή των σημείων στην ευθεία και στο hyperplane 5 υπολογισμός των νέων αποστάσεων 6 n = n-1
67 - Βασικά Βήματα Βασικά Βήματα 1 Αρχικά τα δεδομένα αποτελούν σημεία στον Ν-διάστατο χώρο 2 Επιλέγουμε δυο αντικείμενα O a, O b όσο πιο απομακρυσμένα γίνεται 3 Επιλογή του (n-1)-d hyperplane που είναι κάθετο στην ευθεία που περνά από τα σημεία O a, O b 4 προβολή των σημείων στην ευθεία και στο hyperplane 5 υπολογισμός των νέων αποστάσεων 6 n = n-1 7 goto 2
68 - Βασικά Βήματα Illustration
69
70 Η συγκεκριμένη παρουσίαση του ϕροντιστηρίου είναι βασισμένη στις Διαϕάνειες του Μαθήματος
71 Faloutsos, C., R. Barber, et al. (July 1994). Efficient and Effective Querying by Image Content. J. of Intelligent Information Systems 3(3/4): Faloutsos, C. and K.-I. D. Lin (May 1995). : A Fast Algorithm for, Data-Mining and Visualization of Traditional and Datasets. Proc. of ACM-SIGMOD, San Jose, CA. Faloutsos, C., M. Ranganathan, et al. (May 25-27, 1994). Fast Subsequence Matching in Time-Series Databases. Proc. ACM SIGMOD, Minneapolis, MN.
72 Flickner, M., H. Sawhney, et al. (Sept. 1995). Query by Image and Video Content: The QBIC System. IEEE Computer 28(9): Rafiei, D. and A. O. Mendelzon (1997). Similarity-Based Queries for Time Series Data. SIGMOD Conference, Tucson, AZ. Yi, B.-K. and C. Faloutsos (2000). Fast Time Sequence for Arbitrary Lp Norms. VLDB, Kairo, Egypt.
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ - ΤΜΗΥΠ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ ΙI. Β. Μεγαλοοικονόμου. Δεικτοδότηση Πολυμέσων
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ - ΤΜΗΥΠ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ ΙI Β. Μεγαλοοικονόμου Δεικτοδότηση Πολυμέσων (παρουσίαση βασισμένη εν μέρη σε σημειώσεις των Silberchatz, Korth και Sudarshan και του C. Faloutsos) Γενική Θεώρηση
Διαβάστε περισσότεραΑρχές Βάσεων Δεδομένων. Β.Μεγαλοοικονόμου. Δεικτοδότηση Πολυμέσων. (κάποιες διαφάνειες βασίζονται σε σημειώσεις του C. Faloutsos)
Αρχές Βάσεων Δεδομένων Β.Μεγαλοοικονόμου Δεικτοδότηση Πολυμέσων (κάποιες διαφάνειες βασίζονται σε σημειώσεις του C. Faloutsos) Γενική Θεώρηση Σχεσιακό μοντέλο SQL,σχεδιασμός ΒΔ Δεικτοδότηση, Q-opt, Επεξεργασία
Διαβάστε περισσότεραΒάσεις Δεδομένων ΙΙ Ενότητα 10
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Βάσεις Δεδομένων ΙΙ Ενότητα 10: Βάσεις Δεδομένων Πολυμέσων Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν αναφέρεται διαφορετικά
Διαβάστε περισσότεραιαχείριση και Ανάκτηση Εικόνας µε χρήση Οµοιότητας Γράφων (WW-test)
ιαχείριση και Ανάκτηση Εικόνας µε χρήση Οµοιότητας Γράφων (WW-test) Θεοχαράτος Χρήστος Εργαστήριο Ηλεκτρονικής (ELLAB), Τµήµα Φυσικής, Πανεπιστήµιο Πατρών email: htheohar@upatras.gr http://www.ellab.physics.upatras.gr/users/theoharatos/default.htm
Διαβάστε περισσότεραR-Trees, kd-trees, QuadTrees. Εαρινό Εξάμηνο Τμήμα Μηχανικών Η/Υ και Πληροϕορικής Πολυτεχνική Σχολή, Πανεπιστήμιο Πατρών
,, Τμήμα Μηχανικών Η/Υ και Πληροϕορικής Πολυτεχνική Σχολή, Πανεπιστήμιο Πατρών Εαρινό Εξάμηνο 2011-2012 Table of contents 1 Table of contents 1 2 Table of contents 1 2 3 Table of contents 1 2 3 4 Table
Διαβάστε περισσότεραMultimedia IR. εικτοδότηση και Αναζήτηση. Ανάκτηση Πληροφορίας
Multimedia IR εικτοδότηση και Αναζήτηση 1 Εισαγωγή Μεγάλες ποσότητες πληροφορίες υπάρχουν σε αρχεία εικόνων, ήχου, video. Οι τυπικές µέθοδοι ανάκτησης κειµένου δεν µπορούν να εφαρµοστούν άµεσα στην περίπτωση
Διαβάστε περισσότεραΑνάλυση σχημάτων βασισμένη σε μεθόδους αναζήτησης ομοιότητας υποακολουθιών (C589)
Ανάλυση σχημάτων βασισμένη σε μεθόδους αναζήτησης ομοιότητας υποακολουθιών (C589) Μεγαλοοικονόμου Βασίλειος Τμήμα Μηχ. Η/ΥκαιΠληροφορικής Επιστημονικός Υπεύθυνος Στόχος Προτεινόμενου Έργου Ανάπτυξη μεθόδων
Διαβάστε περισσότεραsubstructure similarity search using features in graph databases
substructure similarity search using features in graph databases Aleksandros Gkogkas Distributed Management of Data Laboratory intro Θα ενασχοληθούμε με το πρόβλημα των ερωτήσεων σε βάσεις γραφημάτων.
Διαβάστε περισσότεραER-Tree (Extended R*-Tree)
1-9825/22/13(4)768-6 22 Journal of Software Vol13, No4 1, 1, 2, 1 1, 1 (, 2327) 2 (, 3127) E-mail xhzhou@ustceducn,,,,,,, 1, TP311 A,,,, Elias s Rivest,Cleary Arya Mount [1] O(2 d ) Arya Mount [1] Friedman,Bentley
Διαβάστε περισσότεραMultimedia IR. Εισαγωγή. Εισαγωγή. εικτοδότηση και Αναζήτηση
Multimedia IR εικτοδότηση και Αναζήτηση 1 Εισαγωγή Μεγάλες ποσότητες πληροφορίες υπάρχουν σε αρχεία εικόνων, ήχου, video. Οι τυπικές µέθοδοι ανάκτησης κειµένου δεν µπορούν να εφαρµοστούν άµεσα στην περίπτωση
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ - ΤΜΗΥΠ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ ΙI
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ - ΤΜΗΥΠ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ ΙI Β. Μεγαλοοικονόμου Μέθοδοι Προσπέλασης Χωρικών Δεδομένων ΙΙ Spatial Access Methods (SAMs) II (παρουσίαση βασισμένη εν μέρη σε σημειώσεις των Silberchatz,
Διαβάστε περισσότεραΒάσεις εδοµένων & Πολυµέσα
Βάσεις εδοµένων & Πολυµέσα Κουρέλης Στάθης Παρουσίαση πρακτικού µέρους 4ης εργασίας Καθηγητής: κ. Στυλιαράς Γ. Αθήνα - Απρίλιος 2009 Εισαγωγή Οι Βάσεις εδοµένων Πολυµέσων παρέχουν χαρακτηριστικά που επιτρέπουν
Διαβάστε περισσότεραMIDI [8] MIDI. [9] Hsu [1], [2] [10] Salamon [11] [5] Song [6] Sony, Minato, Tokyo , Japan a) b)
1,a) 1,b) 1,c) 1. MIDI [1], [2] U/D/S 3 [3], [4] 1 [5] Song [6] 1 Sony, Minato, Tokyo 108 0075, Japan a) Emiru.Tsunoo@jp.sony.com b) AkiraB.Inoue@jp.sony.com c) Masayuki.Nishiguchi@jp.sony.com MIDI [7]
Διαβάστε περισσότεραΕυρετηρίαση και Αναζήτηση Πολυμέσων Multimedia Indexing & Searching
Πανεπιστήμιο Κρήτης, Τμήμα Επιστήμης Υπολογιστών Άνοιξη 2006 Διάρθρωση Διάλεξης HΥ463 - Συστήματα Ανάκτησης Πληροφοριών Information Retrieval (IR) Systems Το Πρόβλημα, Εφαρμογές και Παραδείγματα Επερωτήσεις
Διαβάστε περισσότεραΚαταλογοποίηση ακουστικών μουσικών δεδομένων
ΚΕΦΑΛΑΙΟ 5 Καταλογοποίηση ακουστικών μουσικών δεδομένων Περιεχόμενα 5.1 ΕΙΣΑΓΩΓΗ.......................... 147 5.2 ΣΧΕΤΙΚΕΣ ΕΡΓΑΣΙΕΣ.................... 149 5.3 Ο ΑΛΓΟΡΙΘΜΟΣ MS-INDEX................ 151
Διαβάστε περισσότεραΒάσεις Δεδομένων ΙΙ Ενότητα 5
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Βάσεις Δεδομένων ΙΙ Ενότητα 5: Δομές Ευρετηρίων - ISAM Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν αναφέρεται διαφορετικά
Διαβάστε περισσότεραReferences. Chapter 10 The Hough and Distance Transforms
References Chapter 10 The Hough and Distance Transforms An Introduction to Digital Image Processing with MATLAB https://en.wikipedia.org/wiki/circle_hough_transform Μετασχηματισμός HOUGH ΤΕΧΝΗΤΗ Kostas
Διαβάστε περισσότεραΣχεδίαση με Ηλεκτρονικούς Υπολογιστές
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΧΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ Σχεδίαση με Ηλεκτρονικούς Υπολογιστές Ενότητα # 3: Σύγκριση διανυσματικής και ψηφιδωτής μορφής Καθηγητής Ιωάννης Γ. Παρασχάκης Τμήμα Αγρονόμων
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας. Διδάσκων: Φοίβος Μυλωνάς. Διάλεξη #03
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #03 Βασικές έννοιες Ανάκτησης Πληροφορίας Δομή ενός συστήματος IR Αναζήτηση με keywords ευφυής
Διαβάστε περισσότεραΑνάκτηση πολυμεσικού περιεχομένου
Ανάκτηση πολυμεσικού περιεχομένου Ανίχνευση / αναγνώριση προσώπων Ανίχνευση / ανάγνωση κειμένου Ανίχνευση αντικειμένων Οπτικές λέξεις Δεικτοδότηση Σχέσεις ομοιότητας Κατηγοριοποίηση ειδών μουσικής Διάκριση
Διαβάστε περισσότεραΕφαρμογές της Θεωρίας της Πληροφορίας σε διαδικασίες ανάκτησης εικόνας
Εφαρμογές της Θεωρίας της Πληροφορίας σε διαδικασίες ανάκτησης εικόνας Μακεδόνας Ανδρέας Μεταδιδακτορικός Ερευνητής Τμ. Φυσικής, Εργαστήριο Ηλεκτρονικής Ένα απλό ερώτημα Στον κόσμο την πληροφορίας υπάρχει
Διαβάστε περισσότεραPROJECT ΣΤΟ ΜΑΘΗΜΑ "ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟΔΟΥΣ"
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ PROJECT ΣΤΟ ΜΑΘΗΜΑ "ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟΔΟΥΣ" ΜΕΡΟΣ ΤΡΙΤΟ Υπεύθυνος Καθηγητής Λυκοθανάσης Σπυρίδων Ακαδημαικό Έτος: 2011-2012
Διαβάστε περισσότεραQuery-by-Example (QBE)
Φροντιστήριο 8 o Χειµερινό Εξάµηνο 2009-10 Τµήµα Μηχανικών Η/Υ και Πληροφορικής Πολυτεχνική Σχολή, Πανεπιστήµιο Πατρών Πέµπτη, 3 εκεµβρίου 2009 Τι είναι η QBE; Γλώσσα επερωτήσεων σε σχεσιακές ϐάσεις δεδοµένων
Διαβάστε περισσότεραHMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών Σημάτων. Διάλεξη 20: Διακριτός Μετασχηματισμός Fourier (Discrete Fourier Transform DFT)
HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών Σημάτων Διάλεξη 20: Διακριτός Μετασχηματισμός Fourier (Discrete Fourier Transform DFT) Εισαγωγή Μέχρι στιγμής έχουμε δει το Μετασχηματισμό Fourier Διακριτού
Διαβάστε περισσότεραΕυρετηρίαση και Αναζήτηση Πολυμέσων Multimedia Indexing & Searching
Πανεπιστήμιο Κρήτης, Τμήμα Επιστήμης Υπολογιστών Άνοιξη 2009 HΥ463 - Συστήματα Ανάκτησης Πληροφοριών Information Retrieval (IR) Systems Ευρετηρίαση και Αναζήτηση Πολυμέσων Multimedia Indexing & Searching
Διαβάστε περισσότεραDEIM Forum 2 D3-6 819 39 744 66 8 E-mail: kawamoto@inf.kyushu-u.ac.jp, tawara@db.soc.i.kyoto-u.ac.jp, {asano,yoshikawa}@i.kyoto-u.ac.jp 1.,, Amazon.com The Internet Movie Database (IMDb) 1 Social spammers
Διαβάστε περισσότερα(pattern recognition) (symbol processing) (content) (raw data) - 1 -
(symbol processing) (pattern recognition) (content) (identify) (interpret) (raw data) - 1 - 9D-SPA - 2 - 2D string (Chang, Shi, and Yan, 1987) 2D G-string (Jungert, 1988) 2D C-string (Lee and Hsu, 1990)
Διαβάστε περισσότεραΕπερωτήσεις σύζευξης με κατάταξη
Επερωτήσεις σύζευξης με κατάταξη Επερωτήσεις κατάταξης Top-K queries Οι επερωτήσεις κατάταξης επιστρέφουν τις k απαντήσεις που ταιριάζουν καλύτερα με τις προτιμήσεις του χρήστη. Επερωτήσεις κατάταξης Top-K
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας. Διδάσκων: Φοίβος Μυλωνάς. Διάλεξη #01
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #01 Διαδικαστικά μαθήματος Εισαγωγικές έννοιες & Ορισμοί Συστήματα ανάκτησης πληροφορίας 1
Διαβάστε περισσότεραMBR Ελάχιστο Περιβάλλον Ορθογώνιο (Minimum Bounding Rectangle) Το µικρότερο ορθογώνιο που περιβάλλει πλήρως το αντικείµενο 7 Παραδείγµατα MBR 8 6.
Πανεπιστήµιο Πειραιώς - Τµήµα Πληροφορικής Εξόρυξη Γνώσης από εδοµένα (Data Mining) Εξόρυξη Γνώσης από χωρικά δεδοµένα (κεφ. 8) Γιάννης Θεοδωρίδης Νίκος Πελέκης http://isl.cs.unipi.gr/db/courses/dwdm Περιεχόµενα
Διαβάστε περισσότεραΠροχωρημένες Εργασίες
Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών Τεχνολογία και Ανάλυση Εικόνων και Βίντεο Προχωρημένες Εργασίες Χειμερινό Εξάμηνο 2007-2008 1. Εισαγωγή Σε σχέση με τις
Διαβάστε περισσότεραΡαδιομετρική Ενίσχυση - Χωρική Επεξεργασία Δορυφορικών Εικόνων
Πανεπιστήμιο Θεσσαλίας Πολυτεχνική Σχολή Τμήμα Μηχανικών Χωροταξίας Πολεοδομίας και Περιφερειακής Ανάπτυξης Ραδιομετρική Ενίσχυση - Χωρική Επεξεργασία Δορυφορικών Εικόνων Ιωάννης Φαρασλής Τηλ : 24210-74466,
Διαβάστε περισσότεραΒάσεις Δεδομένων ΙΙ Ενότητα 6
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Βάσεις Δεδομένων ΙΙ Ενότητα 6: Δομές Ευρετηρίων - B-tree Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν αναφέρεται διαφορετικά
Διαβάστε περισσότεραΜεθοδολογία Παραγωγής Πολιτισμικών και Πολυμεσικών Τίτλων
Μεθοδολογία Παραγωγής Πολιτισμικών και Πολυμεσικών Τίτλων Ενότητα 7: Υλοποίηση Διαδραστικού Πολιτιστικού Χάρτη Σπυρίδων Μουσούρης, Γεώργιος Στυλιαράς Σχολή Οργάνωσης και Διοίκησης Επιχειρήσεων Τμήμα Διαχείρισης
Διαβάστε περισσότεραSpeeding up the Detection of Scale-Space Extrema in SIFT Based on the Complex First Order System
(MIRU2008) 2008 7 SIFT 572-8572 26-12 599-8531 1-1 E-mail: umemoto@ipc.osaka-pct.ac.jp, kise@cs.osakafu-u.ac.jp SIFT 1 ANN 3 1 SIFT 1 Speeding up the Detection of Scale-Space Extrema in SIFT Based on the
Διαβάστε περισσότεραΕφαρμογές σε Χωρικά Δίκτυα
Εφαρμογές σε Χωρικά Δίκτυα Ελευθέριος Τιάκας Δεκέμβριος 2013 Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Εργαστήριο Τεχνολογίας και Επεξεργασίας Δεδομένων Τμήμα Πληροφορικής Α.Π.Θ. Σύνοψη Παρουσίασης Σημαντικά
Διαβάστε περισσότεραQuick algorithm f or computing core attribute
24 5 Vol. 24 No. 5 Cont rol an d Decision 2009 5 May 2009 : 100120920 (2009) 0520738205 1a, 2, 1b (1. a., b., 239012 ; 2., 230039) :,,.,.,. : ; ; ; : TP181 : A Quick algorithm f or computing core attribute
Διαβάστε περισσότεραMPEG7 Multimedia Content Description Interface
MPEG7 Multimedia Content Description Interface Τυποποιεί την περιγραφή του περιεχοµένου των πολυµέσων (video audio) εν επεξεργάζεται αλλά! Συλλέγει χαρακτηριστικά πού χρειάζονται για περιγραφή δεδοµένων
Διαβάστε περισσότεραΠεριγραφή των Δεδομένων
Τεχνικές Εξόρυξης Δεδομένων Μεγάλης Κλίμακας Χειμερινό Εξάμηνο 2017-2018 1η Άσκηση, Ημερομηνία παράδοσης: Έναρξη Εξεταστικής Χειμερινού Εξαμήνου Ομαδική Εργασία (2 Ατόμων) Σκοπός της εργασίας Σκοπός της
Διαβάστε περισσότεραΔιαχείριση Πολιτισμικών Δεδομένων
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Διαχείριση Πολιτισμικών Δεδομένων Ενότητα 6: Εισαγωγή στις Βάσεις Δεδομένων Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και
Διαβάστε περισσότεραΓραφικά Υπολογιστών: Μέθοδοι Ανίχνευσης Επιφανειών (Surface Detection Methods)
1 ΤΕΙ Θεσσαλονίκης Τμήμα Πληροφορικής Γραφικά Υπολογιστών: Μέθοδοι Ανίχνευσης Επιφανειών (Surface Detection Methods) Πασχάλης Ράπτης http://aetos.it.teithe.gr/~praptis praptis@it.teithe.gr 2 Περιεχόμενα
Διαβάστε περισσότεραΔιδάσκων: Κωνσταντίνος Κώστα Διαφάνειες: Δημήτρης Ζεϊναλιπούρ
Διάλεξη 25: Τεχνικές Κατακερματισμού II Στην ενότητα αυτή θα μελετηθούν τα εξής επιμέρους θέματα: Διαχείριση Συγκρούσεων με Ανοικτή Διεύθυνση a) Linear Probing, b) Quadratic Probing c) Double Hashing Διατεταγμένος
Διαβάστε περισσότεραΒάσεις Δεδομένων ΙΙ Ενότητα 12
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Βάσεις Δεδομένων ΙΙ Ενότητα 12: Μέθοδοι Προσπέλασης Χωρικών Δεδομένων ΙΙ Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν
Διαβάστε περισσότεραΕιδικά Θέµατα Υπολογιστικής Όρασης & Γραφικής. Εµµανουήλ Ζ. Ψαράκης & Αθανάσιος Τσακαλίδης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής
Ειδικά Θέµατα Υπολογιστικής Όρασης & Γραφικής Εµµανουήλ Ζ. Ψαράκης & Αθανάσιος Τσακαλίδης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής Επεξεργασία Εικόνας Εµµανουήλ Ζ. Ψαράκης Πολυτεχνική Σχολή
Διαβάστε περισσότερα(Υπογραϕή) (Υπογραϕή) (Υπογραϕή)
(Υπογραϕή) (Υπογραϕή) (Υπογραϕή) (Υπογραϕή) F 1 F 1 RGB ECR RGB ECR δ w a d λ σ δ δ λ w λ w λ λ λ σ σ + F 1 ( ) V 1 V 2 V 3 V 4 V 5 V 6 V 7 V 8 V 9 V 10 M 1 M 2 M 3 F 1 F 1 F 1 10 M 1
Διαβάστε περισσότεραAnomaly Detection with Neighborhood Preservation Principle
27 27 Workshop on Information-Based Induction Sciences (IBIS27) Tokyo, Japan, November 5-7, 27. Anomaly Detection with Neighborhood Preservation Principle Tsuyoshi Idé Abstract: We consider a task of anomaly
Διαβάστε περισσότεραΤηλεπισκόπηση - Φωτοερμηνεία
ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ Τηλεπισκόπηση - Φωτοερμηνεία Ενότητα 10: Ραδιομετρική Ενίσχυση Χωρική Επεξεργασία Δορυφορικών Εικόνων. Κωνσταντίνος Περάκης Ιωάννης Φαρασλής Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας
Διαβάστε περισσότεραΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ Ι. Ενότητα 1: Ορισμοί βασικών εννοιών: Μια πρώτη μοντελοποίηση. Ευαγγελίδης Γεώργιος Τμήμα Εφαρμοσμένης Πληροφορικής
Ενότητα 1: Ορισμοί βασικών εννοιών: Μια πρώτη μοντελοποίηση Ευαγγελίδης Γεώργιος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες,
Διαβάστε περισσότεραΗ διαδικασία Παραγωγής Συνθετικής Εικόνας (Rendering)
Υφή Η διαδικασία Παραγωγής Συνθετικής Εικόνας (Rendering) Θέσεις αντικειμένων και φωτεινών πηγών Θέση παρατηρητή 3D Μοντέλα 3Δ Μετασχ/σμοί Μοντέλου 3Δ Μετασχ/σμός Παρατήρησης Απομάκρυνση Πίσω Επιφανειών
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #05 Ακρίβεια vs. Ανάκληση Extended Boolean Μοντέλο Fuzzy Μοντέλο 1 Άδεια χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΑνάκτηση Εικόνας βάσει Υφής με χρήση Eye Tracker
Ειδική Ερευνητική Εργασία Ανάκτηση Εικόνας βάσει Υφής με χρήση Eye Tracker ΚΑΡΑΔΗΜΑΣ ΗΛΙΑΣ Α.Μ. 323 Επιβλέπων: Σ. Φωτόπουλος Καθηγητής, Μεταπτυχιακό Πρόγραμμα «Ηλεκτρονική και Υπολογιστές», Τμήμα Φυσικής,
Διαβάστε περισσότεραΤεχνικές Μείωσης Διαστάσεων. Ειδικά θέματα ψηφιακής επεξεργασίας σήματος και εικόνας Σ. Φωτόπουλος- Α. Μακεδόνας
Τεχνικές Μείωσης Διαστάσεων Ειδικά θέματα ψηφιακής επεξεργασίας σήματος και εικόνας Σ. Φωτόπουλος- Α. Μακεδόνας 1 Εισαγωγή Το μεγαλύτερο μέρος των δεδομένων που καλούμαστε να επεξεργαστούμε είναι πολυδιάστατα.
Διαβάστε περισσότεραDEIM Forum 2013 A2-2 606 8501 E-mail: kato@dl.kuis.kyoto-u.ac.jp 1. 2. 1 4 A B C D A B C D A : B :: C : D : :: : : :: : A B C D A= B= C= D= D 3 Turney [20] A B C D A B C D Bollegala [5] Web SVM A B C D
Διαβάστε περισσότεραΕιδικές Επιστηµονικές Εργασίες
Ειδικές Επιστηµονικές Εργασίες 2005-2006 1. Ανίχνευση προσώπων από ακολουθίες video και παρακολούθηση (face detection & tracking) Η ανίχνευση προσώπου (face detection) αποτελεί το 1 ο βήµα σε ένα αυτόµατο
Διαβάστε περισσότεραΟι διαθέσιμες μέθοδοι σε γενικές γραμμές είναι:
Χωρική Ανάλυση Ο σκοπός χρήσης των ΣΓΠ δεν είναι μόνο η δημιουργία μίας Β.Δ. για ψηφιακές αναπαραστάσεις των φαινομένων του χώρου, αλλά κυρίως, η βοήθειά του προς την κατεύθυνση της υπόδειξης τρόπων διαχείρισής
Διαβάστε περισσότεραΠίνακες Διασποράς. Χρησιμοποιούμε ένα πίνακα διασποράς T και μια συνάρτηση διασποράς h. Ένα στοιχείο με κλειδί k αποθηκεύεται στη θέση
Πίνακες Διασποράς Χρησιμοποιούμε ένα πίνακα διασποράς T και μια συνάρτηση διασποράς h Ένα στοιχείο με κλειδί k αποθηκεύεται στη θέση κλειδί k T 0 1 2 3 4 5 6 7 U : χώρος πιθανών κλειδιών Τ : πίνακας μεγέθους
Διαβάστε περισσότεραΣυστήματα Επικοινωνιών
Συστήματα Επικοινωνιών Ενότητα 11: Ψηφιακή Διαμόρφωση Μέρος Α Μιχαήλ Λογοθέτης Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Σκοποί ενότητας Περιγραφή διαμόρφωσης παλμών κατά
Διαβάστε περισσότεραStandard Template Library (STL) C++ library
Τ Μ Η Μ Α Μ Η Χ Α Ν Ι Κ Ω Ν Η / Υ Κ Α Ι Π Λ Η Ρ Ο Φ Ο Ρ Ι Κ Η Σ Standard Template Library (STL) C++ library Δομές Δεδομένων Μάριος Κενδέα kendea@ceid.upatras.gr Εισαγωγή Η Standard Βιβλιοθήκη προτύπων
Διαβάστε περισσότεραΗΥ562 Προχωρημένα Θέματα Βάσεων Δεδομένων Efficient Query Evaluation over Temporally Correlated Probabilistic Streams
ΗΥ562 Προχωρημένα Θέματα Βάσεων Δεδομένων Efficient Query Evaluation over Temporally Correlated Probabilistic Streams Αλέκα Σεληνιωτάκη Ηράκλειο, 26/06/12 aseliniotaki@csd.uoc.gr ΑΜ: 703 1. Περίληψη Συνεισφοράς
Διαβάστε περισσότεραΜεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης
Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας Εισηγητής Αναστάσιος Κεσίδης Επεξεργασία στο πεδίο της συχνότητας Φασματικές τεχνικές Γενικά Τεχνικές αναπαράστασης και ανάλυσης
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας (Information Retrieval IR) ιδακτικό βοήθηµα 2. Πανεπιστήµιο Θεσσαλίας Πολυτεχνική Σχολή Τµήµα Μηχ. Η/Υ, Τηλ/νιών & ικτύων
Ανάκτηση Πληροφορίας (Information Retrieval IR) Πανεπιστήµιο Θεσσαλίας Πολυτεχνική Σχολή Τµήµα Μηχ. Η/Υ, Τηλ/νιών & ικτύων Ακαδηµαϊκό Έτος 2005-2006 ιδακτικό βοήθηµα 1 Καλύπτει το 60% του 510 σελίδες 1η
Διαβάστε περισσότεραΥπολογιστικές μέθοδοι για την ανάλυση της πληροφορίας των εικόνων και την κατανόηση του περιεχομένου
Ανάλυση Εικόνων Εικόνα : μορφή πληροφορίας Ανάλυση : εξαγωγή γνώσης Υπολογιστικές μέθοδοι για την ανάλυση της πληροφορίας των εικόνων και την κατανόηση του περιεχομένου Θέματα ειδίκευσης Υπολογιστική Όραση
Διαβάστε περισσότεραIEEE Xplore, Institute of Electrical and Electronics Engineers Inc.
IEEE Xplore, Institute of Electrical and Electronics Engineers Inc. Μέσω της υπηρεσίας IEEE Xplore παρέχεται πρόσβαση στα περιεχόμενα, στις περιλήψεις και στα πλήρη κείμενα (full text) άρθρων από επιστημονικά
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας (Information Retrieval IR)
Ανάκτηση Πληροφορίας (Information Retrieval IR) Πανεπιστήµιο Θεσσαλίας Πολυτεχνική Σχολή Τµήµα Μηχ. Η/Υ, Τηλ/νιών & ικτύων Ακαδηµαϊκό Έτος 2005-2006 ιδακτικό βοήθηµα 1 Καλύπτει το 60% του αντικειµένου
Διαβάστε περισσότεραΑντικείµενο: Θεµελιώδες πρόβληµα της επιστήµης µας εδοµένα
Εισαγωγή 1 Ζήτω οι Βάσεις εδοµένων!! Αντικείµενο: Θεµελιώδες πρόβληµα της επιστήµης µας εδοµένα Μοντελοποίηση Αποθήκευση Επεξεργασία (εύρεση πληροφορίας σχετικής µε µια συγκεκριµένη ερώτηση) Σωστή Λειτουργία
Διαβάστε περισσότεραDetection and Recognition of Traffic Signal Using Machine Learning
1 1 1 Detection and Recognition of Traffic Signal Using Machine Learning Akihiro Nakano, 1 Hiroshi Koyasu 1 and Hitoshi Maekawa 1 To improve road safety by assisting the driver, traffic signal recognition
Διαβάστε περισσότεραΑναζήτηση και ερωτήσεις (visual queries) με βάση την εικόνα: πρόσφατες τεχνολογίες και χρήσεις
ΕΛΛΗΝΙΚΟ ΑΝΟΙΧΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΓΡΑΦΙΚΕΣ ΤΕΧΝΕΣ & ΠΟΛΥΜΕΣΑ ΣΕΜΙΝΑΡΙΑΚΗ ΠΑΡΟΥΣΙΑΣΗ 2015 ΥΠΕΥΘΥΝΟΣ ΚΑΘ: ΣΤΥΛΙΑΡΑΣ ΓΕΩΡΓΙΟΣ Αναζήτηση και ερωτήσεις (visual queries) με βάση την εικόνα: πρόσφατες τεχνολογίες
Διαβάστε περισσότεραΔομές Δεδομένων. Δημήτρης Μιχαήλ. Συμβολοσειρές. Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο
Δομές Δεδομένων Συμβολοσειρές Δημήτρης Μιχαήλ Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Συμβολοσειρές Συμβολοσειρές και προβλήματα που αφορούν συμβολοσειρές εμφανίζονται τόσο συχνά που
Διαβάστε περισσότεραΔομές Δεδομένων Standard Template Library (STL) 23/3/2017 ΜΠΟΜΠΟΤΑΣ ΑΓΟΡΑΚΗΣ
Δομές Δεδομένων Standard Template Library (STL) 23/3/2017 ΜΠΟΜΠΟΤΑΣ ΑΓΟΡΑΚΗΣ mpompotas@ceid.upatras.gr Εισαγωγή - STL Η Standard Βιβλιοθήκη προτύπων (STL) είναι μια βιβλιοθήκη λογισμικού για την C++ Δημιουργήθηκε
Διαβάστε περισσότεραΣΤΟΧΑΣΤΙΚΕΣ ΔΙΕΡΓΑΣΙΕΣ & ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ Αίθουσα Νέα Κτίρια ΣΗΜΜΥ Ε.Μ.Π.
ΣΤΟΧΑΣΤΙΚΕΣ ΔΙΕΡΓΑΣΙΕΣ & ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ Αίθουσα 005 - Νέα Κτίρια ΣΗΜΜΥ Ε.Μ.Π. Δυναμικός Προγραμματισμός με Μεθόδους Monte Carlo: 1. Μάθηση Χρονικών Διαφορών (Temporal-Difference Learning) 2. Στοχαστικός
Διαβάστε περισσότεραΔιάλεξη 23: Τεχνικές Κατακερματισμού II (Hashing)
ΕΠΛ231 Δομές Δεδομένων και Αλγόριθμοι 1 Διάλεξη 23: Τεχνικές Κατακερματισμού II (Hashing) Στην ενότητα αυτή θα μελετηθούν τα εξής επιμέρους θέματα: - Διαχείριση Συγκρούσεων με Ανοικτή Διεύθυνση a) Linear
Διαβάστε περισσότεραΔιάλεξη 22: Τεχνικές Κατακερματισμού I (Hashing)
Διάλεξη 22: Τεχνικές Κατακερματισμού I (Hashing) Στην ενότητα αυτή θα μελετηθούν τα εξής επιμέρους θέματα: Ανασκόπηση Προβλήματος και Προκαταρκτικών Λύσεων Bit Διανύσματα Τεχνικές Κατακερματισμού & Συναρτήσεις
Διαβάστε περισσότεραΣύβακας Σταύρος ΠΕ19,MSc. IT ΣΥΒΑΚΑΣ ΣΤΑΥΡΟΣ ΕΡΩΤΗΜΑΤΑ
Σύβακας Σταύρος ΠΕ19,MSc. IT Εισαγωγή Τα ερωτήματα (queries) είναι μία από τις πιο σημαντικές δυνατότητες που προφέρει ένα Σ%Β% αφού επιτρέπουν: Ανάκτηση και ανάλυση των δεδομένων στην επιθυμητή μορφή
Διαβάστε περισσότεραΕαρινό Εξάμηνο
Τμήμα Μηχανικών Η/Υ και Πληροϕορικής Πολυτεχνική Σχολή, Πανεπιστήμιο Πατρών Εαρινό Εξάμηνο 2011-2012 Table of contents 1 Table of contents 1 2 Table of contents 1 2 3 Table of contents 1 2 3 4 Table of
Διαβάστε περισσότεραInformation Technology for Business
Information Technology for Business! Lecturer: N. Kyritsis, MBA, Ph.D. Candidate!! e-mail: kyritsis@ist.edu.gr Διαχείριση Επιχειρηματικών Δεδομένων - Databases Ορισμός Βάσης Δεδομένων Συλλογή συναφών αρχείων
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 4: Μοντελοποίηση: Διανυσματικό μοντέλο Απόστολος Παπαδόπουλος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραA Method for Creating Shortcut Links by Considering Popularity of Contents in Structured P2P Networks
P2P 1,a) 1 1 1 P2P P2P P2P P2P A Method for Creating Shortcut Links by Considering Popularity of Contents in Structured P2P Networks NARISHIGE Yuki 1,a) ABE Kota 1 ISHIBASHI Hayato 1 MATSUURA Toshio 1
Διαβάστε περισσότεραΑ.Τ.Ε.Ι. ΜΑΚΕΔΟΝΙΑΣ Τμήμα πληροφορικής και επικοινωνιών. Συμπίεση ψηφιακών εικόνων με ανάλυση κύριων συνιστωσών και χρήση νευρωνικού δικτύου.
ΑΤΕΙ ΜΑΚΕΔΟΝΙΑΣ Τμήμα πληροφορικής και επικοινωνιών Συμπίεση ψηφιακών εικόνων με ανάλυση κύριων συνιστωσών και χρήση νευρωνικού δικτύου Ψηφιακή είκόνα Η ψηφιακή εικόνα είναι ένα πεπερασμένο σύνολο περιοχών
Διαβάστε περισσότεραΛογική Δημήτρης Πλεξουσάκης Ασκήσεις στον Κατηγορηματικό Λογισμό Τμήμα Επιστήμης Υπολογιστών
Λογική Δημήτρης Πλεξουσάκης Ασκήσεις στον Κατηγορηματικό Λογισμό Τμήμα Επιστήμης Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται στην άδεια χρήσης Creative Commons και ειδικότερα Αναφορά
Διαβάστε περισσότεραΑΝΑΓΝΩΡΙΣΗ ΚΟΙΝΟΤΗΤΩΝ ΚΑΙ ΣΥΣΤΑΣΗ ΠΛΗΡΟΦΟΡΙΑΣ ΜΕ ΤΗΝ ΧΡΗΣΗ ΣΥΝΘΕΤΙΚΩΝ ΣΥΝΤΕΤΑΓΜΕΝΩΝ
ΑΝΑΓΝΩΡΙΣΗ ΚΟΙΝΟΤΗΤΩΝ ΚΑΙ ΣΥΣΤΑΣΗ ΠΛΗΡΟΦΟΡΙΑΣ ΜΕ ΤΗΝ ΧΡΗΣΗ ΣΥΝΘΕΤΙΚΩΝ ΣΥΝΤΕΤΑΓΜΕΝΩΝ Παπαδάκης Χαράλαμπος 1, Παναγιωτάκης Κώστας 2, Παρασκευή Φραγκοπούλου 1 1 Τμήμα Μηχ/κών Πληροφορικής, ΤΕΙ Κρήτης 2 Τμήμα
Διαβάστε περισσότεραD. Lowe, Distinctive Image Features from Scale-Invariant Keypoints, International Journal of Computer Vision, 60(2):91-110, 2004.
D. Lowe, Distinctive Image Features from Scale-Invariant Keypoints, International Journal of Computer Vision, 60(2):91-110, 2004. 1/45 Τι είναι ο SIFT-Γενικά Scale-invariant feature transform detect and
Διαβάστε περισσότεραFast Fourier Transform
Fast Fourier Transform Παναγιώτης Πατσιλινάκος ΕΜΕ 19 Οκτωβρίου 2017 Παναγιώτης Πατσιλινάκος (ΕΜΕ) Fast Fourier Transform 19 Οκτωβρίου 2017 1 / 20 1 Εισαγωγή Στόχος Προαπαιτούμενα 2 Η ιδέα Αντιστροφή -
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #11 Suffix Arrays Φοίβος Μυλωνάς fmylonas@ionio.gr Ανάκτηση Πληροφορίας 1 Άδεια χρήσης Το παρόν
Διαβάστε περισσότεραΒάσεις Περιβαλλοντικών Δεδομένων
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Βάσεις Περιβαλλοντικών Δεδομένων Ενότητα 2: Εισαγωγή Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν αναφέρεται διαφορετικά
Διαβάστε περισσότεραauth Αλγόριθμοι - Τμήμα Πληροφορικής ΑΠΘ -4ο εξάμηνο 1
Αλγόριθμοι Ωμή Βία http://delab.csd.auth.gr/courses/algorithms/ auth Αλγόριθμοι - Τμήμα Πληροφορικής ΑΠΘ -4ο εξάμηνο 1 Ωμή Βία Είναι μία άμεση προσέγγιση που βασίζεται στην εκφώνηση του προβλήματος και
Διαβάστε περισσότεραΑλγόριθμοι - Τμήμα Πληροφορικής ΑΠΘ -4ο εξάμηνο 1
Αλγόριθμοι Χωρικοί-χρονικοί συμβιβασμοί http://delab.csd.auth.gr/courses/algorithms/ Αλγόριθμοι - Τμήμα Πληροφορικής ΑΠΘ -4ο εξάμηνο 1 Χωρικοί-χρονικοί συμβιβασμοί Σε πολλά προβλήματα, ο επιπλέον χώρος
Διαβάστε περισσότεραΕπίσημη Εφημερίδα της Ευρωπαϊκής Ένωσης L 274/9
20.10.2009 Επίσημη Εφημερίδα της Ευρωπαϊκής Ένωσης L 274/9 ΚΑΝΟΝΙΣΜΟΣ (ΕΚ) αριθ. 976/2009 ΤΗΣ ΕΠΙΤΡΟΠΗΣ της 19ης Οκτωβρίου 2009 για την υλοποίηση της οδηγίας 2007/2/ΕΚ του Ευρωπαϊκού Κοινοβουλίου και του
Διαβάστε περισσότεραΕΚΘΕΣΗ ΠΡΟΟ ΟΥ Υποψήφιος ιδάκτορας: Ιωάννης Κυριαζής
ΕΚΘΕΣΗ ΠΡΟΟ ΟΥ Υποψήφιος ιδάκτορας: Ιωάννης Κυριαζής Το πρόβληµα Το πρόβληµα που καλείται ο υποψήφιος διδάκτορας να επιλύσει είναι η εξαγωγή χαρακτηριστικών (feature extraction) από ένα 3 αντικείµενο,
Διαβάστε περισσότεραΑΡΧΙΜΗ ΗΣ - ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑ ΩΝ ΣΤΑ ΤΕΙ. Υποέργο: «Ανάκτηση και προστασία πνευµατικών δικαιωµάτων σε δεδοµένα
ΑΡΧΙΜΗ ΗΣ - ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑ ΩΝ ΣΤΑ ΤΕΙ Υποέργο: «Ανάκτηση και προστασία πνευµατικών δικαιωµάτων σε δεδοµένα πολυδιάστατου ψηφιακού σήµατος (Εικόνες Εικονοσειρές)» Πακέτο Εργασίας 1: Ανάπτυξη βάσης
Διαβάστε περισσότεραΦυσική για Μηχανικούς
Φυσική για Μηχανικούς Εικόνα: Μητέρα και κόρη απολαμβάνουν την επίδραση της ηλεκτρικής φόρτισης των σωμάτων τους. Κάθε μια ξεχωριστή τρίχα των μαλλιών τους φορτίζεται και προκύπτει μια απωθητική δύναμη
Διαβάστε περισσότεραΟλοκληρωμένο σύστημα υποστήριξης γυναικολόγου κατά την υστεροσκοπική εξέταση
Ολοκληρωμένο σύστημα υποστήριξης γυναικολόγου κατά την υστεροσκοπική εξέταση Ιωάννης Κωνσταντίνου, Μάριος Νεοφύτου, Βασίλης Τάνος, Κωνσταντίνος Παττίχης Περιεχόμενα Εισαγωγή Καρκίνος του ενδομητρίου Υστεροσκοπική
Διαβάστε περισσότεραIndexing Methods for Encrypted Vector Databases
Computer Security Symposium 2013 21-23 October 2013 305-0006 1-1-1 junpei.kawamoto@acm.org LSH LSH LSH Indexing Methods for Encrypted Vector Databases Junpei Kawamoto Faculty of Engineering, Information
Διαβάστε περισσότερα9 ΠΕΔΙΑ ΣΥΧΝΟΤΗΤΑΣ ΚΑΙ ΧΡΟΝΟΥ: ΠΡΟΣΘΕΤΕΣ ΕΝΝΟΙΕΣ. Μετασχηματισμός Fourier 2-Διαστάσεων
9 ΠΕΔΙΑ ΣΥΧΝΟΤΗΤΑΣ ΚΑΙ ΧΡΟΝΟΥ: ΠΡΟΣΘΕΤΕΣ ΕΝΝΟΙΕΣ ΠΕΔΙΟ ΣΥΧΝΟΤΗΤΑΣ: - ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ FOURIER 2Δ & 3Δ - ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ HARTLEY ΠΕΔΙΟ ΧΡΟΝΟΥ: - ΣΥΣΧΕΤΙΣΗ - ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ HILBERT Α. ΣΚΟΔΡΑΣ ΣΗΜΑΤΑ ΚΑΙ
Διαβάστε περισσότεραΑλγόριθμοι - Τμήμα Πληροφορικής ΑΠΘ -4ο εξάμηνο 1
Αλγόριθμοι Δυναμικός Προγραμματισμός http://delab.csd.auth.gr/courses/algorithms/ Αλγόριθμοι - Τμήμα Πληροφορικής ΑΠΘ -4ο εξάμηνο 1 Δυναμικός προγραμματισμός Ο Δυναμικός Προγραμματισμός προτάθηκε από τον
Διαβάστε περισσότεραΣυστήματα Πολυμέσων. Ενότητα 8: Συμπίεση Εικόνας κατά JPEG Θρασύβουλος Γ. Τσιάτσος Τμήμα Πληροφορικής ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΧΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 8: Συμπίεση Εικόνας κατά JPEG 2000 Θρασύβουλος Γ. Τσιάτσος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΕρευνητική+Ομάδα+Τεχνολογιών+ Διαδικτύου+
Ερευνητική+Ομάδα+Τεχνολογιών+ Διαδικτύου+ Ερευνητικές,Δραστηριότητες,και, Ενδιαφέροντα,, Τμήμα,Μηχανικών,Η/Υ,&,Πληροφορικής, Τομέας,Λογικού,των,Υπολογιστών, Εργαστήριο,Γραφικών,,Πολυμέσων,και,Γεωγραφικών,
Διαβάστε περισσότεραΓΛΩΣΣΙΚΗ ΤΕΧΝΟΛΟΓΙΑ. Μάθημα 11 ο : Αυτόματη παραγωγή περιλήψεων. Γεώργιος Πετάσης. Ακαδημαϊκό Έτος:
ΓΛΩΣΣΙΚΗ ΤΕΧΝΟΛΟΓΙΑ Μάθημα 11 ο : Αυτόματη παραγωγή περιλήψεων Γεώργιος Πετάσης Ακαδημαϊκό Έτος: 2012 2013 ΤMHMA MHXANIKΩΝ Η/Υ & ΠΛΗΡΟΦΟΡΙΚΗΣ, Πανεπιστήμιο Πατρών, 2012 2013 Οι διαφάνειες αυτού του μαθήματος
Διαβάστε περισσότεραΕισαγωγή στην Επεξεργασία Ερωτήσεων. Βάσεις Δεδομένων Ευαγγελία Πιτουρά 1
Εισαγωγή στην Επεξεργασία Ερωτήσεων 1 Επεξεργασία Ερωτήσεων Θα δούμε την «πορεία» μιας SQL ερώτησης (πως εκτελείται) Ερώτηση SQL Ερώτηση ΣΒΔ Αποτέλεσμα 2 Βήματα Επεξεργασίας Τα βασικά βήματα στην επεξεργασία
Διαβάστε περισσότεραΣχεδίαση Αλγορίθμων - Τμήμα Πληροφορικής ΑΠΘ -4ο εξάμηνο 1
Σχεδίαση Αλγορίθμων Δυναμικός Προγραμματισμός http://delab.csd.auth.gr/~gounaris/courses/ad Σχεδίαση Αλγορίθμων - Τμήμα Πληροφορικής ΑΠΘ -4ο εξάμηνο 1 Δυναμικός προγραμματισμός Ο Δυναμικός Προγραμματισμός
Διαβάστε περισσότεραi=1 i=1 i=1 (x i 1, x i +1) (x 1 1, x k +1),
Κεφάλαιο 6 Συμπάγεια 6.1 Ορισμός της συμπάγειας Οπως θα φανεί στην αμέσως επόμενη παράγραφο, υπάρχουν διάφοροι τρόποι με τους οποίους μπορεί κανείς να εισάγει την έννοια του συμπαγούς μετρικού χώρου. Ο
Διαβάστε περισσότερα