Content based image retrieval with high level semantics

Bu yüksek lisans tezi, üst düzey anlambilim ile İçerik Tabanlı Görüntü Alma (CBIR) üzerine odaklanmaktadır. görüntü işleme ve derin öğrenme tekniklerini kullanarak. Görüntü kenarının gelişimi CBIR optimizasyon görevi için Evrişimli Sinir Ağı (CNN) kullanan düzgünleştirme sistemi Sıcak takipte, görüntünün tüm kenarlarının düzleştirilmesine özel dikkat gösterilir. Meta boyuta yüksek eğilimi göz önüne alındığında, korumada ciddi düşüşlerle el ele gidiyor oranları ve görüntü görünümündeki yüksek kenarlar arası değişkenliğin yanı sıra güçlü bir gereksinim bir görüntünün gürültüden arındırılması için hekimin eğitimi göz korkutucu bir görev olarak kabul edilebilir. NS Bu araştırma tezinin amacı, içerik için bir derin öğrenme ve görüntü işleme hattı kullanmaktır. hibrit teknikler kullanılarak bir görüntüdeki kenarların bölütlenmesi için tabanlı görüntü alma derin öğrenme ve görüntüleme. ile farklı makalelerin literatür taraması yapılmıştır. CBIR için farklı görüntüleme modeli mimarileri. CNN özel modeli için oluşturuldu görev ve derin öğrenme tekniği (CNN) farklı seviyelerde hibrit ince ayar ile kullanılmıştır. görüntü işleme teknikleri. Kenarları yüksek doğrulukta tanımlamak için yüksek kenar filtresi taraması tartışma konusu olmuştur. Mevcut tartışmada, önerilen düzleştirme prosedürü kemiktir. Corel-1000 veri kümesinde içerik tabanlı görüntü alma ve optimizasyon için olası ön tarama teknikleri dahil yoğunluk tabanlı. Yeni tahmin modellerinin geliştirilmesi ve otomatikleştirilmiş yumuşatma, gelecekte genel tarama programlarına katkıda bulunabilir. özel derin öğrenme modeli mimarileri farklı derinlikleri temsil edecek şekilde tasarlanmıştır. Bunun arkasındaki fikir temsil kapasitesini artırmanın sonuçlara ve görselleştirmelere etkisini analiz etmek bir görüntüdeki tüm kenarlar. Ek olarak, temsil etmek için derin öğrenme CNN modeli oluşturuldu. geleneksel otomatik görüntü işleme yaklaşımı. Bazılarında görüntü işleme kullanılmıştır. örneğin görüntü alanı yapısının segmentasyonunda iyi sonuçlar veren görüntülerin kenarları ve incelenen görüntü yumuşatma alanlarının segmentasyonu. Çalışma aynı zamanda düşük eğitim hızı ve eğitim eksikliği gibi pratik derin öğrenme zorluklarına çözümler bulun. kesinlikle %98.47 doğrulukla şeffaflık. Görüntüleme ve derin öğrenme ardışık düzenleri MATLAB programlamasını kullanarak mevcut paralellikten yararlanmak için optimize edilmiştir. göz önünde bulundurulan birden fazla araçla dil.