Büyük ölçekli görsel yer tanıma için kümeleme yöntemleri

Bu tezde, çoğu Görsel Yer Tanıma sisteminin muzdarip olduğu, arama topluluğunun boyutu ve zaman arasında doğru orantılı olan soruna yeni bir çözüm getirilmiştir. Önerilen çözüm, kümelemenin genel olarak örnekleri (bizim durumumuzda görüntü veri kümeleri) dosya benzerliği gibi bazı kriterlere göre gruplandırmaya çalıştığı kümeleme ilkelerine dayanmaktadır. Büyük ölçekli bir görüntü veritabanında arama yapmak karmaşık bir sorundur çünkü tüm veritabanındaki arama işlemleri çok zaman alır ve karşılaştırma hesaplamaları olabildiğince hızlı yapılmak ve veri tabanından en iyi (en alakalı) sonuçları çıkarmak için çok önemlidir. tüm veritabanı. Sistemi kurmak için öncelikle AlexNet CNN yanıt özellikleri, SIFT ve HOG özellikleri gibi çoklu özellik çıkarma yöntemlerini karşılaştırdık. Ayrıca, özellikler arasındaki benzerliği (uzaklıkları) ölçmek için Manhattan mesafesi kullanılmıştır. Ayrıca, AlexNet ve RESNET-18 için kapsamlı karşılaştırmalar yapılmıştır. Genel olarak, RESNET-18, AlexNet yanıt süresi daha kısa olmasına rağmen, AlexNet'ten daha iyi performans gösterdi. İki bileşen, önerilen görsel Yer Tanıma sisteminin ana parçalarıdır. Birinci kısım(bileşen) bir RESNET-18 modelinden oluşurken, ikinci kısım RESNET-18'in birden çok kopyasına sahiptir. Sorgulanan görüntünün ait olduğu en iyi kümeyi tahsis etmek, birinci bileşenin amacıdır. İstenen görselin ID'sini bulmak ise ikinci kısmın yükümlülüğündedir. Bu tezde önerilen sistem, birkaç zorlu kıyaslama veri setinde en son teknolojiye sahip birçok yönteme göre üstün performans göstermektedir. Ve sorgulanan görüntünün sonucunu üretmek için toplam sürenin 200-220 ms arasında olduğu son teknoloji bir sonuç yürütme süresi elde edebildi.