Reverse Image Search for Collage: A Novel Local Feature-Based Framework
Notice bibliographique
Résumé
Collage, a popular form of visual-content summarization technique is commonly used by internet users and digital artists. Social media usage is a rising trend that significantly affects the increasing demand for collages. The primary source of collage generation is social media, but other sources also generate it. Searching for a required query image in this corpus is a crucial demand and also valuable. The query image can be retrieved using Reverse Image Search (RIS), either in its exact form or with a small variation. Well-known search engines like Google and Yandex have this functionality, but their method has not been made public. In this research, we propose a consolidated framework for reverse image searching for the problem of collage. Essentially, the local features of collage images are extracted by using SIFT, SURF, and ORB algorithms. These features undergo the localization of the region of interest (ROI) process which handles by binning technique. We propose to use the Manhattan distance to calculate the similarity. The proposed model is extensively evaluated on standard databases and is shown to always have good results using SIFT algorithm. The proposed model is entirely generic and attains 90.96%, accuracy using the SIFT algorithm. The proposed approach is also evaluated on flip and scale variant college and achieves a result of 83% and 78% respectively, using SIFT algorithm.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».