Transcript 下載/瀏覽Download

2010 International
Conference on Science
and Social Research
(CSSR 2010), December 5
- 7, 2010, Kuala Lumpur,
Malaysia
Query by Example for
Large-Scale Video Data
by Parallelizing Rough
Set Theory Based on
MapReduce
作者:Kimiaki Shirahama
Lin Yanpeng
Yuta Matsuoka
Kuniaki Uehara
報告人: 陳仁浩
1
2
大綱
一.
簡介
二.
粗糙集理論(Rough Set Theory )
三.
MapReduce
四.
影片本體論(Video Ontology)
五.
實驗結果
六.
結論
3
一、簡介
 現在影片的數量非常龐大，分佈在網路上
 本文提出一個Query-By-Example(QBE)的方法
 在QBE，只要使用者提供範例圖片，就可以檢索任何
查詢
 本文為了實現QBE，首先有3個問題
4
一、簡介-問題一
 種類繁多的相關圖片：
即使是相同的查詢，也會有許多不同的方式顯示
 因此查詢不同特徵的有關圖片，並不能由單一的檢索
模型來檢索
 本文使用“粗糙集理論（RST）”提取多個規則，來
正確識別不同的相關圖
 RST是不精確的數據中提取粗略描述的分類方法
5
一、簡介-問題二
 擴展到大規模的影片數據：
由於規模巨大的影片數據和QBE方法的複雜性，需要
一個昂貴的計算成本，來完成檢索過程
 本文使用MapReduce來配合圖片的RST提取的分類
規則
 Map功能是用來找分佈圖片的規則
 Reduce功能則是合併符合Map功能的檢索結果
6
一、簡介-問題三
 無知的語義內容：
由於QBE不考慮語義的內容，它檢索包含許多相似特
徵的圖，但顯然是無關的查詢
 為了篩選出不相干的圖片，將“影片本體論”作為在
QBE基本知識
 透過” 影片本體論”，我們選擇相關的概念去查詢，
並檢查每個圖片是否對應所選擇的概念
7
二、粗糙集理論(RST )
 正面的例子（P-例子），由用戶提供，並作為有關圖
片的代表
 反面的例子（N-例子），作為不相干的圖片代表
，
但不是由用戶提供
 建立了多種分類方法，通過隨機變化的例子和特徵尺
寸
 使用支持向量機（SVM）作為分類器
8
三、MapReduce
Test: 計算所有圖片的輸出機率
 Rule Match: 計算所有圖片和分類圖片的評估值
 SVM
9
三、 MapReduce
10
四、影片本體論(Video Ontology)
 香港大學提供的374概念
11
五、實驗結果



219部動態影片(36106張圖片)、619部測試影片(97150張圖
片)
4個不同的查詢
1. 可看見一個或多個高樓大廈
2. 可看見東西被火焰燃燒
3. 可看見一個人或多人還有電腦在桌子上
4. 一個人或多人坐在椅子上說話
4種類型的檢索
1. Baseline1:手動選擇SVM產生最好的結果
2. RST_only:使用所有的例子和所有特徵尺寸的SVM
3. RST+BG:使用例子和特徵尺寸建立3個SVM，每個隨機抽樣
75%
4. RST+BG+RS:建立10個SVM，每個例子隨機抽樣75%，每
個特徵尺寸隨機抽樣50%
12
五、實驗結果
13
五、實驗結果


Baseline2:不使用RST+BG
Ontology:使用RST+BG過濾鏡頭
14
五、實驗結果
15
六、結論
 實驗結果驗證本文方法的成效
 增加線程後，Rule
Match 時間明顯縮短，不過在
SVM Test卻沒有達到預期的加速，日後就針對這部
分去加強
16
謝
謝
聆
聽