یک روش بهبود یافته یادگیری کوتاه مدت مبتنی بر گرادیان نزولی در سامانه های بازیابی تصویر

بازیابی معنایی تصویر از مباحث مورد توجه در بازشناسی الگو است. یکی از روش های متداول جهت نزدیکتر شدن سامانه بازیابی به محتوای معنایی تصاویر، استفاده از بازخورد ربط است. در این مقاله رویکردی جهت یادگیری کوتاه مدت به روش بهبود تابع شباهت ارائه شده که استفاده از گرادیان نزولی در یادگیری وزن های تابع شباهت را بهبود داده است. در این روش، علاوه بر وزن های هر مولفه ویژگی، وزن های نوع ویژگی نیز بهینه سازی می شوند. همچنین یک تابع هزینه مناسب تعریف شده که نسبت به روش های مشابه، دقت و سرعت بازیابی را بالا می برد. روش پیشنهادی در یک پایگاه تصویر با 10000 تصویر آزموده شده و نتایج آن با چند روش متداول در یادگیری کوتاه مدت ارائه و مقایسه شده است. نتایج آزمایش ها، کارامدی روش پیشنهادی را در بهبود دقت و کاهش زمان بازیابی نشان می دهد.

A Gradient Descent based Short Term Learning Method in CBIR Systems

Contentbased image retrieval (CBIR) is a major challenge in the field of pattern recognition. The CBIR systems attempt to bridge the semantic gap by employing relevance feedback (RF) methods like short term learning (STL). This paper proposes a similarity refinement based STL method in CBIR systems. In this method, the weights of the feature’s components and also the weights of each type of features are optimized by minimizing an error function. The proposed method is examined in a standard public dataset with 10000 color images. The proposed error function improves the precision and computational time in comparison with the similar methods. The experimental results and comparison with the competing methods confirms the effectiveness and efficiency of the proposed method.