Improving CBIR systems by integrating semantic features
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
Nowadays, access to information requires to manage effectively multimedia databases, and among challenges offered to scientific community since last decades, multimedia retrieval techniques (particularly images retrieval) are became an active research direction. Introduced to overcome the main drawbacks encountered by text-based images retrieval, which are the subjective and manual annotation of images, content based images retrieval (CBIR) systems index images according to low-level visual features such as color, texture, shape to retrieve similar images. However, despite the progress achieved in the content based image retrieval, in particular with the relevance feedback approach where the user refine the search via the specification of relevant or not relevant items, the current CBIR systems still have a major difficulty that it has yet to overcome: how to negotiate the "semantic gap"? This problem comes from the mismatch between their capabilities and the needs of users. In this paper, we address the problem of how relate lowlevel features to high level to bring out semantic concepts from images. Our aim is to combine contentbased and metadata-based approaches for image retrieval from a user perspective to yield better results and overcome to the lacks of these techniques when they are taken separately. To represent the semantic content of images, we propose a model which takes account of the interaction between the user and the metadata. In particular, we model the semantic user' preference by analyzing its answers through the Relevance Feedback process. Furthermore, we introduce a new machine learning technique that modify the weights (i.e. relative importance) of metadata representing the semantic content of images.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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