سامانهه یا بازیابی تصویر

مجله ماشینبینایی و پردازشتصویر سال یکم شماره یک تابستان ۱۳۹۲ یک روش بهبود یافته یادگیریکوتاه مدت مبتنی بر گرادیان نزولی در سامانهه یا بازیابی تصویر عصمت راشدی حسین نظام آبادی پور و سعید سریزدی چکیده ه یا معنایی تصویر از مباحث مورد توجه در بازشناسی الگو یکی از روشه یا متداول جهت نزدیکتر شدن سامانه به محتوای معنایی تصاویر استفاده از بازخورد ربط در این مقاله رویکردی جهت یادگیریکوتاه مدت به روش بهبود تابع شباهت اراي ه شدهکه استفاده از گرادیان نزولی در یادگیری وزنهای تابع شباهت را بهبود داده در این روش علاوه بر وزن- هر مولفه وزنه یا نوع نیز بهینهسازی میشوند. همچنین یک تابع هزینه مناسب تعریف شدهکه نسبت به روشهای مشابه دقت و سرعت بازیابی را بالا میبرد. روش پیشنهادی در یک پایگاه تصویر با ۱۰۰۰۰ تصویر آزموده شده و نتایج آن با چند روش متداول در یادگیریکوتاه مدت اراي ه و مقایسه شده نتایج آزمایشها کارامدی روش پیشنهادی را در بهبود دقت و کاهش زمان كلید واژهها نشان میدهد. تصویر بازخورد ربط یادگیریکوتاه مدت تابع شباهت گرادیان نزولی. ۱ مقدمه تعداد تصاویر در پایگاهه یا داده روز به روز در حال رشد هستند به طوری که برچسب زنی و دستهبندی آنها برای انسان وقت گیر معنایی تصاویر به دلیل حجمگسترده تصاویر و لزوم ایجاد سامانهه یا خودکار برای افزایش سرعت و دقت از بحث - ه یا مورد توجه در پردازش سیگنال و پردازش تصویر است [۱ ۱۳ ۱۴ ۱۵ ۲۰] از كاربردهای تصویر میتوان به آرشیوهای تصویری آرشیو موزهها طراحی مهندسی و معماری سنجش از دور مدیریت منابع طبیعی سامانهه یا اطلاعات جغرافیایی پایگاهه یا داده علمی تصاویر پزشکی پیش بینی هوا طراحی مد و بایگانیه یا پلیس در کشف مجرم و جرم بایگانی - ه یا مجلات تصاویر لوگوهای تجاری و پایگاهه یا بزرگ مبتنی بر شبکه جهانی اشارهکرد. از اوایل دهه ۹۰ تصویر بر اساس محتوی یك زمینه فعال برای تحقیقات قلمداد میشود و تاکنون سامانهه یا فراوانی طراحی شده در همه این سامانهها ه یا سطح پایین تصاویر بطور خودکار استخراج شده و تصاویر را نمایهسازی میکنند. مهمترین ها برای بافت و شکل هستند. پایین هستند. ه یا سطح دیگری تصویر در سطح معنا که زمینهه یا اراي ه تصویر ه یا دیداری از نوع ه یا ۱ از محتوی سطح معنا رنگ سطح اراي ه سطح بالا نامیده میشود از فعال تحقیقاتی به حساب میآید. كاربران هنگام پرس - وجوی تصویر بدنبال معناه یا سطح بالا ۲ یا همان هایمعنایی Semantic Level Semantic eature این مقاله در شهریورماه ۱۳۹۱ دریافت در اردیبهشتماه ۱۳۹۲ بازنگری و در تیرماه ۱۳۹۲ پذیرفته شد. عصمت راشدی دانشگاه شهید باهنر کرمان دانشکده مهندسی برق rashedi_es@yahoo.com حسین نظام آبادی پور دانشگاه شهید باهنر کرمان دانشکده مهندسی برق. nazem@u.ac.ir سعید سریزدی دانشگاه شهید باهنر کرمان دانشکده مهندسی برق saryazdi@u.ac.ir

ی ۱ یک روش بهبود یافته یادگیری کوتاه مدت مبتنی بر گرادیان نزولی در سامانههای بازیابی تصویر ۲۰ هستند. در این موارد اغلب سامانهه یا ضعیفی دارند چراكه بین ه یا معنایی سطح بالا فاصله زیادی مشهور برای طبقهبندی بین کم کردن شکاف معنایی تصویر عملکرد دیداری سطح پایین و مفاهیم ۱ وجود دارد كه به شکاف معنایی رویکردهای چون متنوعی معنایی تصاویر یادگیری کوتاه مدت و یادگیری بلند اراي ه شده است که اغلب مبتنی بر بازخورد ربط هستند. بازخورد ربط در بازیابی تصویر بر اساس محتوا اولین بار توسط Rui در سال [۱۸] ۱۹۹۸ به کار گرفته شد و پس از آن محبوبت زیادی محققان پیداکرد. در بازخورد ربط کاربر و کامپیوتر تا رسیدن به تصاویر دلخواه کاربر با یکدیگر تعامل دارند. این تعامل به سامانه کمک میکند تاارتباط معنی داری بین های سطح پایین و های سطح بالا برقرار کرده و شکلف معنایی راکاهش داد. یادگیری با استفاده از بازخورد ربط به دو صورت یادگیری کوتاه مدت و بلند مدت انجام می یادگیری کوتاه مدت شود. ۲ (STL در ارتباط با یک جستجوی کاربر و با هدف هدایت سامانه به سمت خواسته مطلوب کاربر انجام میشود و طی آن یادگیری در خلال یک پرس و جوی ۳ خاص صورت میگیرد. در تعامل هر کاربر با سامانه سامانه به کمک یادگیری کوتاه مدت سعی در کشف معنای مورد نظر کاربر میکند. روشه یا روشه یا یادگیری كوتاه مدت به چهار دسته مبتنی بر یادگیری و طبقهبندی [۲ ۷] روشه یا بر بهبود بردار پرس و جو [۱۷ ۲۲] روشه یا شباهت [۲۳ ۲۴ ۹ ۶ ۵] و روشه یا [۸ ۱۰ ۱۱ ۱۹] قابل تقسیم هستند. مبتنی مبتنی بر بهبود تابع چند پرسشی در این مقاله یک روش جدید براییادگیری کوتاه مدت اراي ه میشود که از کمینه کردن یک تابع هزینه مناسب به روش گرادیان نزولی سود میبرد. در تابع هزینه پیشنهادی سرعت محاسبات حجم حافظه و نیز کیفیت نتایج بهبود داده شده نوآوریه یا از دیگر این تحقیق تنظیم وزن نوع ها به کمک گرادیان نزولی است که در سایر مقالات مرتبط به آن پرداخته نشده روش فوق با چند روش مطرح در زمینه بهبود تابع شباهت مقایسه شده ۲ در ادامه این مقاله بخش بعد به مرور روشه یا یادگیری کوتاه مدت میپردازد. پس از آن در بخش سوم روش پیشنهادی و در بخش چهارم نتایج و مقایسه با سایر روشها اراي ه میشود. نهایت در بخش پنجم مقاله جمعبندی میشود. مروری بر روشهای یادگیریکوتاهمدت در همانگونه که ذکر شد روشهاییادگیری كوتاه مدت به چهار دسته روشه یا مبتنی بر یادگیری و طبقهبندی روشه یا مبتنی بر بهبود تابع شباهت روشه یا مبتنی بر بهبود بردار پرسوجو و روشه یا چند پرسشی قابل تقسیم هستند. در روشه یا با استفاده از بردار مبتنی بر یادگیری تصاویر مرتبط و نامرتبطی که توسط کاربر در بازخورد ربط مشخص شدهاند یک طبقهبند برای دسته بندی تصاویر به دو گروه مرتبط و نامرتبط ساخته میشود [۲ ۷]. در روشه یا مبتنی بر بهبود بردار پرس و جو این بردار از تصاویر نامرتبط دور و به تصاویر مرتبط نزدیک میشود روشه یا مبتنی بر بهبود تابع شباهت وزن ه یا در [۱۷ ۲۲]. سطح پایین تصویر پرسوجو در خلال بازخورد ارتباط به منظور رسیدن به هدف کاربر تغییر میکند پرسشی از روشه یا.[۲۳ ۲۴ ۹ ۶ ۵] در روشه یا چند مختلف برای تهیه بردارهای پرس و جوی بیشتر استفاده میشود [۸ ۱۰ ۱۱ ۱۹]. تعدادی از روشها نیز از چند روش یادگیری کوتاه مدت به صورت موازی با هم استفاده میکنند [۳ ۲۱]. در ادامه هر کدام از روشه یا فوق با اراي ه چند کار مطرح توضیح داده شده ضمن اینکه روش پیشنهادی این تحقیق با دسته روشه یا -۲ ادگیری و طبقهبندی مبتنی بر بهبود تابع شباهت مرتبط در این دسته روشها با استفاده از تصاویر مرتبط و نامرتبط دریافت شده از کاربر یک طبقهبند با یادگیری این تصاویر طراحی شده و نتایج طبقهبندی به سایر تصاویر پایگاه تعمیم داده میشود. از طبقهبندهاییکه به وفور در این زمینه استفاده میشود طبقهبندی ماشین بردار پشتیبان یا SVM میباشد. به عنوان مثال در [۲] یادگیری کوتاه مدت با روش تقسیم تصویر به چند ناحیه و سپس یادگیری نواحی در تصاویر مرتبط و غیر مرتبط با استفاده از یادگیری ماشین بردار پشتیبان انجام شده در [۷] در ابتدا تمام تصاویر به بلوكهایی سطح پایین برای با ابعاد كوچك بریده شده و ه یا این بلوكها استخراج میشود. سپس بلوكها خوشه بندی میشوند و تعدادی نماینده برای هر تصویر به دست میآید. پس از دریافت بازخورد ربط از كاربر از تصاویر مرتبط و غیر مرتبط برای دستهبندی بهكمك SVM استفاده میشوند. ۲-۲ بهبود بردار پرس و جو در روشه یا مبتنی بر بهبود تابع شباهت از حرکت دادن بردار پرس و جو یا بهبود آن استفاده میشود. این روش اولین بار در سامانه [۱۷] MARS در سال ۱۹۹۷ پیشنهاد شد. در این روش میانگین همه تصاویر مرتبط حساب شده و به عنوان بردار پرسو- جوی جدید در نظر گرفته میشوند. در تحقیق [۱۷] از تصاویر مرتبط و نامرتبط برای بهبود بردار پرس و جو استفاده شده به این صورت که نزدیکتر و از تصاویر در هر مرحله بردار پرس و جو به تصاویر مرتبط نامرتبط دور میشود. این روش به روش روچیو معروف است و در رابطه (۱ آمده Semantic Gap Short Term Learning 3 Intra-query

عصمت راشدی حسین نظام آبادی پور و سعید سریزدی ۲۱ q = q q q q q (۱ که q بردار پرس و جوی جدید مجموعه تصاویر مرتبط تصاویر مرتبط انتخاب شده توسط کاربرو انتخاب شده توسط کاربرمیباشند. q بردار پرس و جو در مرحله قبل مجموعه تصاویر نامرتبط q q تصاویر نامرتبط نیز تعداد تصاویر مرتبط در روش دیگری در این دسته در تحقیق [۲۲] دو روش تبدیل بردار پرس و جو به یک بردار دیگرو تي وری مجموعه راف با هم ترکیب شدهاند. ۳-۲ بهبود تابع شباهت در روش بهبود تابع شباهت سعی میشود تابع شباهتی که پایگاه ه یا ارتباط برای دیداری با اتكا به آن جستجو میشود در خلال بازخورد شباهت وزن ه یا رسیدن به هدف کاربر تنظیم شود. در بهبود تابع سطح پایین تصویر پرسوجو در خلال بازخورد ارتباط به منظور رسیدن به هدف کاربر تغییر میکند. در غالب این روشها تابع شباهت به صورت رابطه تعریف (۲ میشود. شباهت بین دو تصویر و با D نشان داده میشود. در این رابطه میباشد. f ام از بردار m به طول w نیز وزن مرتبط با ام در تابع شباهت می- باشد. تابع شباهت فوق تعداد m وزن دارد که به صورت بردار ] m W = [ w,..., w نمایش داده میشود لذا تابع شباهت به بردار وزن W وابسته فاصله ه یا ام در دو بردار d( q, f میباشد. m D ( W = w d( q =, f (۲ در تعدادی از روشه یا تصاویر مرتبط و غیر مرتبط برای استفاده میشود. به عنوان مثال در این دسته از واریانس ها در تنظیم وزنه یا [۱۸] تابع شباهت پس از هر مرحله از بازخورد ربط و تعیین تصاویر مرتبط و غیر مرتبط توسط کاربر وزن هر مولفه از بردار به صورت عکس انحراف معیار آن مولفه روی مجموعه تصاویر مرتبط در نظر گرفته میشود و وزن - ه یا هر نوع نیز با توجه به رتبهبندی تصاویر تعیین می - شوند. در [۲۳ ۲۴] تابع شباهت رابطه (۳ مورد استفاده قرار گرفته در این تحقیق وزن هر نوع با توجه به رتبه تصاویر مرتبط در بر اساس آن نوع تنظیم میشود و برای تصحیح وزن هر مولفه از میانگین و انحراف معیار آن مولفه روی تصاویر مرتبط و نامرتبط استفاده میشود. رنگ بافت لبه f, مولفه نوع میتواند یا هر نوع دیگری باشد. در رابطه (۳ ام از نوع وزن متناظر با آن میباشد. ام تصویر و ( 0 w, w,0 نیز وزن نوع ام L تعداد مولفهه یا کل نوع ها برابر K (۲ در مورد نوع m ام تعداد D ( W = w d( q =, f (۳ D ( W w w... w w یا در کنار روشه مبتنی بر انحراف معیار ها روشه یا ابتکاری دیگری نیز اراي ه شده است به عنوان مثال در تحقیق [۵] در هر مرحله از بازخورد ربط کاربر رتبه تصاویر را مشخص می - کند. سپس سامانه رتبه همان تصاویر را بر حسب ه یا مختلف به صورت جداگانه بدست آورده و از روی دورتبهبندی (رتبهبندی خاص وزنه یا کاربر ورتبهبندی سامانه بر حسب شباهت یک مربوط به آن را تصحیح میکند. در دسته دیگری از رویکردها از یادگیری فاصله با استفاده از روش- ه یا بهینهسازی استفاده میشود[ ۹ ].در این مرجع یک تابع بهینه- سازی تعریف و به روش لاپلاس وزن ها برای خوشهبندی تصاویر تعیین میشود[ ۹ ]. در این روش از دادهه یا و موجود در حافظه سامانه در مورد تصاویر برای بهینه سازی استفاده شده در دستهای از روشه یا مبتنی بر بهبود تابع شباهت با تعریف یک تابع هزینه از روش گرادیان نزولی برای تنظیم وزنها استفاده [۶]. میشود در این نوع روشها میتوان با تعریف تابع هزینه مناسب و با بهرهگیری از محسنات روش گرادیان نزولی وزنها را به نحو مناسبی تنظیم کرد. ایده روشه یا این دسته از بحث یادگیری فاصله به روش با نظارت در طبقهبندی دادهها گرفته شده است [۱۶]. در تحقیق [۱۶] جهت بهبود وزن ها در طبقه- بندی برای هر دسته از دادهها یک بردار وزن یادگیری میشود. یادگیری وزنها در جهت کمینهسازی خطای طبقهبند همسایه نزدیکتر انجام میشود. در تحقیق [۱۶] فاصله بین هر دو بردار طبق رابطه (۴ و تابع کمینه شونده مطابق رابطه (۵ به صورت مجموع تابع پله نسبت فاصله هر داده مرتبط با آن به فاصله با دادهه یا با دادهه یا غیر مرتبط با آن تعریف شده این رابطه روی مجموعه دادهه یا ( آموزشی T کمینه میشود. این رابطه طبق تي وری حداکثر کردن حاشیه بین هر داده مرتبط با دادهه یا رابطه step تابع پله (۴ نامرتبط در نظر گرفته شده در این ( q f D ( W w J = T = m step( W W (۵ در تحقیق [۶] (روش (Deselaers ایده فوق در تصویر مورد استفاده قرار گرفته در [۶] شباهت بین دو تصویر

یک روش بهبود یافته یادگیری کوتاه مدت مبتنی بر گرادیان نزولی در سامانههای بازیابی تصویر ۲۲ و به صورت رابطه (۶ تعریف شده وزنه یا این تابع در هر مرحله از بازخورد ربط به روش کمینه کردن تابع هزین یه رابطه (۷ محاسبه میگردند. در این تحقیق تابع هزینه به صورت مجموع نسبته یا فاصله هر تصویر مرتبط با سایر تصاویر مرتبط به فاصله آن با تصاویر نامرتبط در نظر گرفته میشود. کردن این تابع تصاویر مرتبط به نامرتبط دور میشوند. با کمینه یکدیگر نزدیک و از تصاویر تابع هزینه فوق با بهینهسازی گرادیان نزولی کمینهسازی شده و وزنه یا (۶ به روش مناسب به دست آمده D ( W w q f J = = m (۷ ۴-۲ روشه یا در روشه یا چند پرسشی چند پرسشی با چند بردار پرس و جو انجام میشود. در این روشها از ابزارهای مختلفی برای تهیه بردارهای پرس و جوی چندگانه استفاده میشود. در متداول ترین انواع این روشها بردارهای شده و مراکز خوشهها به عنوان بردارهای مربوط به تصاویر مرتبط خوشهبندی جدید جوی پرسو انتخاب میشوند. در نهایت پایگاه داده با هر کدام از بردارهای فوق جستجو شده و نتایج حاصل از آنها با هم ترکیب میشوند. تعداد ایدهال خوشهها در تحقیق [۱۹] به طور خودکار تخمین زده شدهاند و مراکز خوشهها به عنوان بردارهای پرسوجوی جدید انتخاب میشوند. تحقیق [۱۰] از الگوریتم خوشه- برای تبدیل بردار پرسوجو به چند بردار استفاده میکند. در این الگوریتم ابتدا یک تصویر پرسوجو از سوی کاربر به سامانه داده میشود. سپس سامانه تصویر که فاصله کمتری از تصویر پرسوجو دارند را به کاربر نشان میدهد. کاربر مرتبط بودن یا نبودن آنها را مشخص میکند. در مرحله اول بازخورد تصاویر مرتبط طبقهبندی و در سایر مراحل در دستهه یا از پیش تعیین شده قرار گرفته یا در یک دسته جدید قرار داده میشوند. سامانه برای طبقه بندی از تابع طبقه بندی بیز استفاده میکند و بعضی از دستهها شبیه به هم را با هم ادغام میکند سپس مرکز دستهه یا باقیمانده به عنوان بردارهای پرس و جو نسل بعد مشخص میشوند. در [۱۱] در هر جستجو کاربر تصاویر مرتبط را علامت میزند. تصاویر مرتبط با استفاده از روش سلسله مراتبی خوشه بندی میشود. در ادامه تعامل با کاربر تصاویر مرتبط جدید یا در خوشهه یا موجود قرار میگیرند یا یک خوشه جدید میسازند و خوشهای نزدیک به هم نیز با یکدیگر یکی میشوند. در روش اراي ه شده در [۸] از عملگرهای الگوریتم وراثتی برای تولید بردارهای پرس و جوی جدید از یك بردار پرس و جو استفاده میشود. به اینصورت که در تعامل با کاربر تصاویر مثبت از کاربر دریافت شده فرزندان با اعمال عملگرهای الگوریتم وراثتی روی تصاویر مثبت تولید میشوند. مجموعه تصاویر جدید با نگاشت هر فرزند به مجموعه تصاویر ایجاد می- شوند. در روش ترکیب طبقهبندها [۱۲] در تصویر پس از آنکه تصاویر مرتبط و نامرتبط تعیین شد از تمام تصاویر مرتبط و نامرتبط برای تعیین رتبهبندی سایر تصاویر تا تصویر پرس و جو استفاده میشود [۶]. در این روش احتمال مرتبط بودن تصویر با تصویر تصویر ( p ( R با تصویر ( و همچنین احتمال نامرتبط بودن p ( N مطابق رابطه با (۸ فاصله بین آنها متناسب میباشند. لذا با داشتن مجموعه تصاویر مرتبط هر تصویر و مجموعه تصاویر نامرتبط قابل محاسبه استفاده شده و وزنه یا در احتمال مرتبط بودن با تصویر پرس و جوی به صورت رابطه (۹ داده شده α پارامتری نامرتبط را کنترل میکند. [۶] در رابطه (۸ (۸ از فاصله وزندار تابع فاصله به روش گرادیان نزولی آموزش است که تاثیر تصاویر مرتبط و p ( R, p ( N exp( (۹ p ( R {, } = α α p ( R q ( p ( N q q q ۵-۲ روشه یا ترکیبی در بعضی تحقیقات از یک روش کوتاه مدت ترکیبی با استفاده از چند رویکرد استفاده شده به عنوان مثال در [۲۱] از سه روش بهبود با وزندهی ها بهبود بردار پرسوجو و روش چند پرسشی استفاده شده در مرحله تغییر وزن چنانچه یک به صورت متناوب در تصاویر مثبت دیده شود وزن بیشتریمیگیرد. در مرحله بهبود تصویر پرس و جو بردار پرس و جو به سمت تصاویر مثبت و مطلوب کاربر نزدیک میشود. در توسعه جستجو با روش چند پرسشی تصاویر مرتبط به چند خوشه تقسیم میشوند. در [۳] برای یادگیری کوتاه مدت از دو روش وزن دهی ها و جابجایی پرسوجو استفاده شده ۳-۳ مرحلهی بازیابی در مرحلهی بازیابی تصاویر را با مقایسه بین بردارهای متناظرشان بازیابی میکنیم. برای این کار بردار برای تصویر جستار و تصاویر مدل محاسبه شده و با استفاده از یک اندازهی شباهت فاصلهی بین آنها بدست میآید. در نهایت M تصویر که کمترین فاصله را داشته باشند به عنوان تصاویر مرتبط بازیابی میشوند. ١ ما از فاصلهی اقلیدسی برای بدست آوردن فاصلهی بین بردارهای استفاده میکنیم. جستار و تصویر مدل را به ترتیب به صورت زیر تعریف میشود. اگر بردار برای تصویر و بنامیم فاصلهی اقلیدسی Euclidean distance

عصمت راشدی حسین نظام آبادی پور و سعید سریزدی ۲۳ (۱۰ D ( W w w... w w J R N = ' = ' (۱۱ (۱۲ ۳ یادگیری کوتاه مدت پیشنهادی در این بخش یادگیری کوتاه مدت پیشنهادی شرح داده میشود. در روش پیشنهادی هدف اصلی بهبود نتایج به کمک بهبود تابع شباهت به روش گرادیان نزولی در این روش یک تابع هزینه مناسب معرفی شده سامانه پیاده سازی شده مطابق میباشد. ۱ شکل دریافت و ه یا در این سامانه تصویر پرس و جو از کاربر آن استخراج میشود. بردار تصویر پرس و جو( با استفاده از یک تابع شباهت با تمام تصاویر پایگاه مقایسه شده و تصاویر مشابه برگردانده میشود. پس از آن تصاویر مرتبط و نامرتبط در بازخورد ربط از کاربر اخذ میشود. با استفاده از این اطلاعات تابع شباهت با اصلاح وزن ها بهبود مییابد. فرایند بازخورد ربط و بهبود تابع شباهت برای هر تصویر پرس و جو چند مرحله تکرار میشود. شکل ۱- سامانه کوتاه مدت. تابع تصویر مبتنی بر محتوا با استفاده از یادگیری شباهت استفاده شده در این تحقیق به صورت رابطه (۱۰ میباشد. در این رابطه (مشابه رابطه (۳ از [۲۳] علاوه بر اینکه برای هر مولفه یک وزن تعریف شده برای هر نوع (رنگ بافت یا لبه نیز یک وزن تعریف شده جهت یادگیری تابع فاصله و تنظیم وزنها از یک تابع هزینه پیشنهادی استفاده شده و وزنها به روش گرادیان نزولی جهت کمینه کردن این تابع به دست آمدهاند. تابع فاصله پیشنهادی مطابق رابطه (۱۰ میباشد. استفاده از وزنها با توان دوم الهامگرفته از [۱۶] برای یادگیری این تابع فاصله در طول بازخورد ربط از روش کمینه کردن یک تابع هزینه استفاده شده است که مطابق [۱۶] با تخمین احتمال خطای طبقهبندی در روش نزدیکترین همسایه با ارزیابییکی را کنار بگذار یا LOO-NNدر ١ ارتباط اگر W مجموعه وزنها باشد تابع هزینه پیشنهادی این تحقیق به صورت (۱۱ رابطه میباشد. در این رابطه مرتبط به تصویر پرسوجوی و دورترین بردار نزدیکترین بردار نامرتبط به آن هستند. بردار پرس وجو در هر مرحله طبق رابطه (۱۲ به صورت میانگین بردار های مجموعه تصاویر مرتبط در نظر گرفته شده است [۱۴ ۲۳]. در رابطه (۱۱ تابع هزینه بردار نامرتبط از مجموعه J R N مرتبط از مجموعه به صورت نسبت فاصله دورترین به نزدیکترین بردار تا بردار پرسوجوی تعریف شده کمینه کردن این تابع متناظر با حداکثر کردن حاشیه طبقه- بندی در دو دسته تصاویر مرتبط و نامرتبط میباشد. نسبت به تابع هزینه (۷ که سعی در نزدیککردن بردارهای این تابع مرتبط به یکدیگر و دورتر کردن آنها از بردارهای نامرتبط دارد تنها با در نظر گرفتن دو بردار و با حداکثر کردن حاشیه طبقهبندی بهینهسازی را به صورت کارامدتر و با محاسبات کمتر انجام میدهد. در تابع هزینه J R N, D کمتر و هر چه فاصله W, D بیشتر باشد حاشیه طبقهبندی بزرگتر شده و W خط یا تعیین بردارهای مرتبط و نامرتبط کمتر میشود. این تابع هزینه بطور مستقیم با بردار وزن W در ارتباط لذا حداقل کردن آن در ارتباط با بردار وزن منجر به افزایش دقت تعیین تصاویر مرتبط و نامرتبط و در نتیجه افزایش دقت میشود. جهت حداقلکردن این تابع از روشکمینه سازی به روش گرادیان نزولی استفاده شده در نتیجه لازم است مشتقه یا این تابع نسبت به متغیر ه یا حداقل کردن تابع W محاسبه شود. J R N به روش گرادیان نزولی یک روش تکرار شونده در هر نشست در ابتدا وزنها مطابق رابطه- (۱۳ و (۱۴ مقدار دهی اولیه میشوند. پس از آن در طی چند مرحله وزنه یا w, به روزرسانی µ میشوند. طبق رابطه (۱۵ با یک مقدار کوچک این به روزرسانی در خلاف جهت گرادیان تابع هزینه طبق روابط (۱۶ تا (۱۹ انجام میشود. وزن- ها پس از هر مرحله بهروز رسانی طبق روابط (۲۰ و (۲۱ با تقسیم شدن به مجموع وزنها نرمالیزه میشوند. با محاسبه مشتق تابع هزینه توابع به روز رسانی مطابق رابطه (۱۶ انجام میشوند. در روابط (۱۵ و (۱۶ وزن مربوط به هر نوع با = 0 و وزن مولفههای نوع ام با = L,..., مشخص میشود. با الهام از [۱۶] برای محاسبه مشتق تابع هزینه از توابع کمکی مقادیر مولفهه یا r و R, و استفاده شده مقادیر R, r R,0 (۱۷ تا (۱۹ محاسبه میشوند. پايگاه تصوير ويژگیهای ديداری تابع شباهت پردازش پرس و جو بازخورد ربط واسط کار مربوط به مربوط به هر نوع با استفاده از در رابطه (۱۷ تابعکمکی r به صورت نسبت فواصل تصویر پرس و جو با دورترین تصویر مرتبط و نزدیکترین تصویر نامرتبط Leaving one out nearest neighbor

یک روش بهبود یافته یادگیری کوتاه مدت مبتنی بر گرادیان نزولی در سامانههای بازیابی تصویر ۲۴ تعریف شده در رابطههای (۱۸ و (۱۹ مقدار تابع مقادیر ۴ R, برای بردار دورترین تصویر مرتبط به صورت و R, برای بردار نزدیکترین تصویر نامرتبط به صورت R, نمایش داده شده در محاسبه این تابع برای مولفههای 0, ( R از فاصله مقادیر مربوط به همان استفاده میشود (رابطه (۱۸ و در محاسبه آن برای هر نوع مجموع فواصل برای تمام مولفههای مربوط به آن نوع استفاده میشود (رابطه (۱۹. w, 0 (0 = K w, (0 = L, J = w, µ w, =,.., K (۱۳ =,.., K =,.., L (۱۴ =,.., K = 0,.., L (۱۵ w w = w µ w r [ R R ] R R,,,,, r = q f, w,0 q f,,,, = {, } D ( W L q f,,, w q f = {, } D ( W =,,,0 w w,, 0 w, = L w i=, i w,0 = K w i= i,0 =,.., K = 0,.., L (۱۶ (۱۷ =,.., K =,.., L (۱۸ =,.., K (۱۹ =,.., K =,.., L (۲۰ =,.., K (۲۱ باید توجه شود که روش گرادیان نزولی پیدا کردن بهینه فرامحلی را تضمین نمیکند. اما وزنه یا وزنه یا به دست آمده نسبت به اولیه مقدار کمتری برای تابع هزینه به دست میدهند. لذا با تعریف تابع هزینه مناسب میتوان دقت را با کمینه- سازی به روش گرادیان نزولی بالا برد. تابع هزینه معرفی شده در این تحقیق با حداکثر کردن حاشیه بین تصاویر مرتبط و نامرتبط دقت طبقهبندی را بالا میبرد. در این تحقیق از این روش جهت تنظیم وزنه یا هر مولفه و همچنین وزنه یا استفاده شده نتایج شده هر نوع به روش فوق در بخش بعد اراي ه پیاده سازی آزمایشها و نتایج در این بخش در ابتدا سامانه پایه و پایگاه تصویر و سپس نتایج آزمایشها آورده میشود. پیشنهادی بر نتایج به منظور ارزیا یب تاثیر یادگیری کوتاه دو نمونه آزمایش انجام شده در آزمایش اول روش پیشنهادی فوق با سه روش دیگر در زمینه بهبود تابع شباهت مقایسه شده است و در آزمایش دوم روش آموزش وزنها جهت نتایج در ادامه آورده شده ۱-۴ سامانه پایه و پایگاه تصویر به روش ترکیب طبقهبندها انجام شده در این تحقیق در پیاده سازی سامانه از سه نوع استفاده شده نمایندگی ه یا از پیاده سازی شده عبارتند از: هیستوگرام رنگ به رنگ شکل و گابور به نمایندگی هیستوگرام لبه به نمایندگی از از بافت. بنابراین تعداد نوع ها در این تحقیق برابر سه میباشد یا به عبارتی = 3 در این تحقیق رنگ. K ١ بازه ۲۵۶ با SCD ( L = 56 ٢ هیستوگرام لبه EHD با ۸۰ 80 = ( L و - با ۶۲ L ( مطابق استاندارد ٣ 3 = 6 ه یا گابور HTD MPEG-7 [۴] از تصاویر استخراج شده و تمام پایگاه تصویر بر این مبنا نمایه سازی شده است.در مجموع هر یک از تصاویر با برداری به اندازه ۳۹۸ بعد نمایه سازی شده برای نمایهسازی رنگ در تصاویر از هیستوگرام رنگ در فضایHSV با ۲۵۶ سطح (۱۶ سطح برای مولفه H ۴ سطح برای مولفه S و ۴ سطح برای V مولفه تقسیم تصویر به هیستوگرام لبه در استفاده شده ۱۶ ۵ در استخراج لبه پس از زیر تصویر از هر کدام از زیر تصویرها جهت لبه افقی عمودی درجه و بدون جهت استخراج شده ۱۳۵ درجه ۴۵ در استخراج بافت تصویر با ۳۰ فیلتر گابور در ۶ جهت و ۵ مقیاس فیلتر شده میانگین و انحراف معیار هر تصویر فیلتر شده و تصویر اصلی محاسبه میشود. سامانه تصویر مطابق شکل ۱ روی پایگاه داده ۱۰۰۰۰ تصویری کورل با ۸۰ گروه معنایی پیاده سازی شده تمام تصاویر رنگی و درحوزه فشرده JPEG هستند. از میان این تصاویر ۱۰۰۰ تصویر پرس و جو به صورت تصادفی برای انجام آزمایش- ها انتخاب شدهاند. بازخورد ربط برای مرحله تکرار شده و در هر تکرار از شده ارزیا یب برای روشها از معیار هر تصویر پرسوجو ۴ ۲۵ تصویر برگردانده دقت استفاده شده اطلاعات این معیار به شکل یك گراف که نشان دهنده دقت در هر مرحله از بازخورد ربط است اراي ه میشود. معیار دقت بیانگر نسبت تعداد تصاویر مرتبط شده به تعداد تصاویر Scaled Color Descriptor Homogeneous Texture Descriptor 3 Edge Histogram Descriptor

عصمت راشدی حسین نظام آبادی پور و سعید سریزدی ۲۵ ۲-۴ مقایسه روش یادگیری کوتاه مدت پیشنهادی با سایر روشها در این قسمت نتایج به روش پیشنهادی با سه روش در زمینه یادگیری کوتاه مدت به روش بهبود تابع شباهت مقایسه شده روش اول روش [۱۸] Rui است که در بسیار متداول روش دوم روش شمسی تصویر [۲۳] (Shamsi است که از یک تابع شباهت تقریبا مشابه با روش پیشنهادی این تحقیق استفاده کرده و هر دو نوع وزنه یا و وزنه یا مربوط به مولفه مربوط به نوع را تنظیم میکند. روش سوم روش [۶] Deselaers است که آموزش وزنها را به روش تعریف یک تابع هزینه وکمینهسازی به روشگرادیان نزولی انجام میدهد. در پیاده سازی روش Deselaers از تابع فاصله رابطه (۲۲ استفاده شده است.تابع فاصله در روش شمسی و روش Rui مطابق رابطه (۳ و در روش پیشنهادی مطابق رابطه (۱۰ استفاده شده بهینهسازی گرادیان نزولی در هر تکرار در ۱۰ قدم انجام شده برای مولفهه یا همچنین پارامتر = 0.000 0 µ تنظیم شده (۲۲ در انجام آزمایشها انتخاب و یادگیری برابر = 0.00 µ و برای تصاویر پایگاه انجام شده در روش پیشنهادی نوع برابر = m q f D ( W w q f ۱۰۰۰ تصویر به صورت تصادفی به روش نزدیکترین همسایه یکی راکنار بگذار در جهت مقایسه روشها گراف دقت در هر تکرار از بازخورد ربط در شکل ۲ آورده شده همچنین یک مثال از تصاویر برگردانده شده در هر روش برای یک تصویر پرس و جوی نمونه در شکل ۳ آورده شده زمان کل در یک نشست برای هر روش در جدول ۱ ذکر شده در شکل ۲ مشخص است که روش پیشنهادی دقت بالاتری نسبت به سایر روشها دارد. روش فوق از یک تابع هزینه مناسب استفاده میکند که حاشیه بین تصاویر مرتبط و نامرتبط را زیاد میکند و با بهرهگیری از مزایای بهینهسازی به روشگرادیان نزولی وزنها را با دقت خوبی روش نسبت به سایر روشه یا شمسی و روش تنظیم میکند. همچنین محاسبات این مورد مقایسه کمتر در روش Rui جهت تعیین وزن مربوط به هر نوع با هر نوع به صورت جداگانه انجام میشود لذا در یک پایگاه با ۱۰۰۰۰ تصویر لازم است حجم محاسبات زیادی انجام شود. گرادیان نزولی اما در روش فوق وزن نوع ها نیز به روش تنظیم شده همچنین در روش Deselaers تابع هزینه روی کل تصاویر مرتبط و نامرتبط تعریف شده است در صورتی که در روش پیشنهادی فقط یک تصویر مرتبط و یک تصویر نامرتبط در نظر گرفته شده مشتقه یا بنابراین در محاسبه مربوط به بهینه سازی به روشگرادیان نزولی محاسبات روش Deselaers بیشتر این مساله در مقایسه زمان روشها که در جدول جدول زمان خودکار ۱ ۱۰۰۰ CPU P4, 3GHz آورده شده است مشهود هر نشست با میانگینگیری نشست محاسبه شده با RAM GB میباشد. روی در این مشخصات سیستم همانطور که در جدول فوق قابل مشاهده است روش فوق با داشتن محاسبات کمتر نسبت به سایر روشها میدهد. شکل ۲ گراف دقت در روشه یا ب ت را در زمان کوتاهتری انجام مختلف یادگیری کوتاه مدت. نتایج روی ۱۰۰۰ تصویر پرس و جو میانگینگرفته شده الف پ ث شکل ۳ تعداد ۲۵ تصویر برگردانده شده در تکرار آخر در هر روش یادگیری کوتاه مدت. الف تصویر پرس و جو ب نتایج روش Rui پ نتایج روش Deselaer پیشنهادی میباشند. ت ( نتایج روش شمسی و ث نتایج روش

یک روش بهبود یافته یادگیری کوتاه مدت مبتنی بر گرادیان نزولی در سامانههای بازیابی تصویر ۲۶ جدول ۱ زمان مدت. روش یادگیریکوتاه مدت روش Rui در یک نشست برای هر روش یادگیری کوتاه میانگین زمان (بر حسب ثانیه ۱۱/۴۷ ۱۳/۷۹ روش Deslear روش شمسی روش پیشنهادی ۱۱/۴۷ ۶/۵۰ ۲-۴ ارزیا یب برای هر نشست یادگیری کوتاه مدت پیشنهادی در با استفاده از ترکیب طبقهبندها در این قسمت آموزش تابع شباهت در به روش ترکیب طبقهبندها با روش پیشنهادی و با روش آموزش تابع شباهت با رابطه Deselaers مورد مقایسه قرار گرفته در روش ترکیب طبقهبندها برای تصاویر از تابع احتمال مرتبط بودن هر تصویر به تصویر پرسوجو استفاده میشود که پس از محاسبه آن برای تمام تصاویر تصاویر با بالاترین میزان احتمال مرتبط بودن برگردانده میشوند. تابع احتمال فوق مطابق (۸ به تابع شباهت وزندار شده هر تصویر با تصویر پرسوجو وابسته در رابطه (۹ در روش ترکیب طبقهبندها پارامتر α برابر ۰/۵ در نظر گرفته شده نتایج روی ۱۰۰۰ تصویر پرس و جو که به صورت تصادفی انتخاب شدهاند محاسبه و میانگینگراف دقت هر روش در شکل ۴ آورده شده در این گراف مشخص است که روش پیشنهادی نسبت به روش [۶] در یادگیری تابع فاصله در به روش ترکیب طبقهبندها نتایج بهتری به دست میدهد. در دستهای از این روشها با استفاده از تعریف یک تابع هزینه مناسب از روشهای گرادیان نزولی جهت بهین سه ازی وزن- های تابع شباهت در جهت بهبود دقت سامانه بازیابی استفاده می- شود. در این تحقیق یک روش یادگیریکوتاه مدت مبتنی بر بهبود تابع شباهت معرفی مناسب وزنه یا شده است که با تعریف میکند. در روش پیشنهادی وزنه یا وزنه یا یک تابع هزینه تابع شباهت را به روش گرادیان نزولی تنظیم هر مولفه و همچنین هر نوع در جهت کم کردن فاصله تصویر پرس و جو از تصاویر مرتبط و زیاد کردن فاصله آن از تصاویر نامرتبط بهینه سازی شدهاند. تابع هزینه پیشنهادی در این تحقیق سرعت و دقت بازیابی را بهبود میدهد. نتایج با چند روش مرتبط با بهبود تابع شباهت در یادگیریکوتاه مدت مقایسه شده نتایج نشان میدهد روش پیشنهادی کمتر انجام میدهد. سپاسگزاری این تحقیق از پشتیبانی اطلاعات با شماره قرارداد برخوردار بوده مراجع تصویر را با دقت بیشتر و در زمان موسسه تحقیقات ارتباطات و فن آوری ۵۰۰/۱۹۲۴۵ /ت مورخ ۹۰/۱۲/۲۸ [] Antani, S., Kasturi, R., Jain, R., 00, A survey on the use of pattern recognition methods for abstraction, indexing and retrieval of images and video, Pattern Recognition, vol. 35, pp. 945 965. [] Barrett, S., 007, Content-based image retrieval: a short term and long-term learning approach, http://digital.cs.usu.edu/xqi/ Teaching/ REU07/ Website/ Samuel/ SaminalPaper.pdf. [3] Broilo, M., Natale,., 00, A Stochastic Approach to Image Retrieval Using Relevance eedbac and Particle Swarm Optimization, IEEE transactions on multimedia, vol., no. 4, pp. 67-77. [4] Chang, S.., Siora, T., Puri, A., 00, Overview of the MPEG-7 Standard, IEEE Transactions on circuits and systems for video technology, vol. (6, pp. 688-695. [5] Cheng, P.C., Chien, B.C., Ke, H.R., Yang, W.P., 008, A two-level relevance feedbac mechanism for image retrieval, Expert Systems with Applications, vol. 34, pp. 93 00. [6] Deselaers, T., Paredes, R., Vidal, E., Ney, H., 008, Learning Weighted Distances for Relevance eedbac in Image Retrieval, 9th International Conference on Pattern Recognition (ICPR. [7] Dordevic, D., Izquierdo, E., 007, An Obect- and User-Driven System for Semantic-Based Image شکل ۴ گراف دقت در روشه یا تصویر به روش ترکیب طبقهبندها. ۵ دههه یا جمعبندی و نتیجهگیری سامانه مختلف یادگیری فاصله در معنایی تصویر از مباحث مورد توجه در بازشناسی الگو در اخیر میباشد. در این سامانهها جهت نزدیکتر کردن به محتوای معنایی تصاویر از روشه یا بازخورد ربط استفاده میشود. از روشه یا روش یادگیری کوتاه مدت میباشد که در دههه یا زیادی قرار گرفته است و رویکردهایی مرتبط با مرتبط با بازخورد ربط اخیر مورد توجه در این زمینه اراي ه شده

عصمت راشدی حسین نظام آبادی پور و سعید سریزدی ۲۷ of the early years, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol., pp.349 379. [] Su, J.H., Huang, W.J., Yu, P.S., Tseng, V.S., 0, Efficient Relevance eedbac for Content-Based Image Retrieval by Mining User Navigation Patterns, IEEE Transactions on nowledge and data engineering, vol. 3, no. 3, pp. 360-37. [] Wang, Y., Ding, M., Zhou, C., Hu, Y., 006, Interactive relevance feedbac mechanism for image retrieval using rough set, Knowledge-Based Systems, vol. 9, pp. 696 703. شمسی گوشکی ۱. نظام آبادی پور ح. سریزدی س. کبیرف ا. اسفند ۸۸ "روش جدید در بزخورد ربط برای بازیابی تصویر بر اساس محتوا" کامپیوتر ایران. پانزدهمین کنفرانس ملی سالانه انجمن شمسی گوشکی ا بهار ۱۳۸۹ "بازیابی تصاویر رنگی بر پایه محتوا با استفاده از روشهای چند پرسشی و بازخورد ربط" پایان نامه کارشناسی ارشد دانشگاه شهید باهنر کرمان بخش مهندسی برق. [۲۳] [۲٤] عصمت راشدی مدرک کارشناسی ارشد و دکتری خود را در رشته برق مخابرات از دانشگاه شهید باهنر کرمان به ترتیب در ساله یا ۱۳۸۶ و ۱۳۹۲ دریافت کرد. زمینهه یا تحقیقاتی مورد علاقهی او پردازشتصویر بازشناسی الگو الگوریتمه یا تکاملی ورایانش نرم حسین نظام آبادی پور مدرک کارشناسی ارشد و دکتری دانشگاه تربیت خود را در رشته برق الکترونیک مدرس به ترتیب ساله یا در از ۱۳۷۹ و ۱۳۸۳ دریافت کرد. وی تاکنون استاد بخش مهندسی برق دانشگاه شهید باهنر کرمان زمینههای پژوهشی مورد علاقهی او پردازش تصویر بازشناسی الگو کاربرد رایانش نرم در پردازش تصویر و روشهای بهینه سازی ابتکاری به ترتیب در ساله یا بخش دانشیار مهندسی سعید سریزدی مدرک کارشناسی ارشد خود را در رشته برق مخابرات در سال ۱۳۶۶ از دانشگاه صنعتی اصفهان و مدارک D.E.A در رشته پردازش سیگنال و دکتری در رشته پردازش تصویر را از دانشگاه Rennes فرانسه ۱۳۷۳ و ۱۳۷۶ برق دانشگاه شهید دریافت کرد. باهنر وی کرمان تاکنون زمینهه یا پژوهشی مورد علاقهی او پردازش تصویر و بازشناسی الگو Annotation and Retrieval, IEEE transactions on circuits and systems for technology, vol. 7, no. 3, pp. 33-33. [8] Herraez, M.A., erri,.j., Picot, S.M., 0, Distancebased relevance feedbac using a hybrid interactive genetic algorithm for image retrieval, Applied Soft Computing, vol., pp. 78 79. [9] Hoi, S.C.H., Liu, W., Chang, S.., 00, Semi- Supervised Distance Metric Learning for Collaborative Image Retrieval, ACM Transactions on Multimedia Computing, Communications and Applications (ACM TOMCCAP, Vol. 6, No. 3, pp. -6. [0] Kim, D.H., Chung, C.W., 003, cluster: Relevance eedbac Using Adaptive Clustering for Content-Based Image Retrieval, Proc. ACM SIGMOD, pp. 599-60. [] Kim, D.H., Chung, C.W., Barnard, K., 005, Relevance feedbac using adaptive clustering for image similarity retrieval, The Journal of Systems and Software, vol. 78, pp. 9 3. [] Kittler, J, 998, On combining classifiers, PAMI, vol. 0(3, pp. 6-39. [3] Liu, Y., Zhang, D., Lu, G., Ma, W.Y., 007, A survey of content-based image retrieval with high-level semantics, Pattern Recognition, vol. 40, pp. 6-8. [4] Nezamabadi-pour, H., Kabir, E., 004, Image retrieval using histograms of uni-color and bi-color blocs and directional changes in intensity gradient, Pattern Recognition Letters, vol. 5, pp. 547 557 [5] Nezamabadi-pour, H., Kabir, E., 009, Concept learning by fuzzy -NN classification and relevance feedbac for efficient image retrieval, Expert System with Application, vol. 36, Issues 3, part, pp. 5948-5954. [6] Paredes, R., Vidal, E., 006, Learning weighted metrics to minimize nearest neighbor classification error, PAMI, vol. 8(7, pp. 00-0. [7] Rocchio, J.J., 97, Relevance feedbac in information retrieval, In: Salton, G. (Ed., The SMART Retrieval System: Experiments in Automatic Document Processing, Prentice Hall, pp. 33 33. [8] Rui, Y., Huang, S., Ortega, M., Mehrotra, S., 998, Relevance feedbac: a power tool for interactive content-based image retrieval, IEEE Transactions on Circuits and Video Technology, vol. 8 no. 5, pp. 5 36. [9] Salvador, S., Chan, P., 003, Determining the number of clusters/segments in hierarchical clustering/segmentation algorithms, Technical Report CS-003-8, lorida Institute of Technology. [0] Smeulders, A.W.M., Worring, M., Santini, S., Gupta, A., Jain, R., 000, Content-based image retrieval at the end