MétaCan
Menu
Retour à la cohorte
Enregistrement W2024562034 · doi:10.1145/1386352.1386402

Content-based image retrieval via distributed databases

2008· article· en· W2024562034 sur OpenAlexaff
Kambiz Jarrah, Ling Guan

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueImage Retrieval and Classification Techniques
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceImage retrievalInformation retrievalDatabaseContent-based image retrievalAutomatic image annotationCluster analysisThe InternetFocus (optics)Relevance (law)ServerNode (physics)Data miningImage (mathematics)World Wide WebArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,001
Communication savante0,0020,004
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,076
Tête enseignante GPT0,275
Écart entre enseignants0,199 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetImage Retrieval and Classification TechniquesTravaux en français237 207