بازیابی تصویر مبتنی بر محتوا با استفاده از تلفیق یادگیری کوتاه مدت و یادگیری بلند مدت در فضای معناها

در این رساله، یک سامانه بازیابی تصویر طراحی شده است که از هر دو نوع یادگیری کوتاه مدت و بلند مدت برای بازیابی تصاویر بهره برده است. در سامانه فوق، سه رویکرد جهت ترکیب اطلاعات کوتاه مدت و بلند مدت شامل ترکیب در سطح تصاویر بازیابی شده، در سطح رتبه تصاویر و در سطح تابع شباهت ارائه شده است. از دستاوردهای دیگر این رساله ارائه ی دو روش جدید در یادگیری بلند مدت با نام های مبتنی بر مورد (cb) و مبتنی بر خوشه بندی معنایی آماری (ssc) است. همچنین، روش یادگیری کوتاه مدت مبتنی بر بهبود تابع شباهت با استفاده از گرادیان نزولی، بهبود داده شده است. سامانه پیشنهادی این رساله، در یک پایگاه تصویر با 10000 تصویر از 82 گروه معنایی مختلف آزموده شده است. نتایج با دو سامانه مبتنی بر ویژگی های مجازی (vfb) و مبتنی بر خوشه بندی معنایی (dsc) پویا مقایسه شده اند. دقت روش cb، 13 درصد بیشتر از دقت روش vfb و در حد دقت روش dsc است. دقت روش ssc با ترکیب در سطح تابع شباهت، 15 درصد بیشتر از روش vfb و دو درصد بیشتر از روش dsc است. روش ssc با ترکیب در سطح تصاویر بازیابی شده یا در سطح رتبه تصاویر، دقت کمتری نسبت به سایر روش ها دارد اما زمان بازیابی و اثر اغتشاش را بهبود داده است. در مقایسه روش ها، علاوه بر مقایسه گراف های دقت در حالت بدون اغتشاش و با اغتشاش، گراف های پیشرفت روش ها در طولانی مدت نیز استخراج شده اند. دراین رساله، روش یادگیری کوتاه مدت بهبود یافته، با کاهش زمان بازیابی به نصف، دقت بازیابی را نسبت به روش های مشابه 4 درصد ارتقاء داده است. همچنین، روش انجام همزمان انتخاب و بهبود ویژگی ها ضمن کاهش تعداد ویژگی ها به نصف، دقت بازیابی یک سامانه متداول را 10 درصد بهبود داده است.