Content-based image retrieval via distributed databases
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The overall objective of this paper is to present an extended application of Content-Based Image Retrieval (CBIR) over distributed (decentralized) image databases. Traditional image retrieval system design has implicitly relied on a local (centralized) query server, such as IBM's QBIC [1], Columbia's VisualSEEk [2], MIT's PhotoBook [3], and UCSD's Viagem™ [4]. With the growing popularity of the internet, however, the focus of the research in this area has been shifted toward content query over distributed databases. Ng et al. [5] has studied a peer-clustering model for the query with the assumption that the image collection at each peer node falls under one category. Even though, this assumption is effective for preliminary studies, it is unable to implant the practical end-user behaviors. Lee et al. [6] has introduced a novel approach to study practical scenarios where multiple image categories exist in each individual database in the distributed storage network. This approach is proven to be an effective method to improve retrieval precision via identifying the community neighborhood who shares similar content collection. The main focus of this paper is to study behavior of a CBIR engine in an interactive distributed environment. In the proposed approach, the query image is sent to all registered databases in the network. Response of each database is then collected and transferred to a local server where a supervised relevance identification approach is applied to identify final outcome of the search. Response of each database is quantified via estimating the statistical resemblance of top image candidates to the existing query image. Comprehensive experiments demonstrate feasibility of the proposed methodology.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle