用于视觉内容结构化和挖掘的Amel Hamzaoui引用此版本：阿梅尔·哈姆扎维。用于可视内容结构化和挖掘的共享邻居方法其他[cs.OH]。南巴黎大学-巴黎第十一大学，2012年。英语。NNT：2012PA112079。电话：00856582HAL ID：电话：00856582https://theses.hal.science/tel-00856582提交日期：2013年HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire×E大学巴黎南部11奥赛科学学院P H D T H E S I S用于视觉内容结构化和挖掘的申请南巴黎大学"理学博士"学位通过Amel H. AMZAOUI2012年5月INRIA Paris-Rocquencourt，我的媒体团队论文委员会：评审员：帕特里克·G·阿林纳里阿尔让·保罗·德·V·里斯-皮埃尔和玛丽·居里大学教授（法国）-教授代尔夫特理工大学（NL）导演：Nozha BOujemaa- INRIA-Saclay中心主任（法国）顾问：亚历克西斯·奥利- INRIA-Rocquencourt研究员（法国）考官：希德·艾哈迈德·B·埃拉尼-多媒体内容分析 主管主席：FranCYVON技术研发- 南巴黎大学教授11（法国）版权所有 2012年阿梅尔·H·阿姆扎维保留所有权利南巴黎计算机科学系22致我亲爱的父母致我亲爱的丈夫确认书我想对多年来为我提供有用和乐于助人的帮助的许多人深表感谢。如果没有他们的关心和考虑，这篇论文很可能还没有成熟。首先，我衷心感谢我的博士学位。我的导师Nozha Boujemaa从我研究的早期阶段就以她的耐心和知识支持我完成了我的论文。我永远感谢我的顾问Alexis Joly的指导和专业知识。没有他，这一论点就不可能实现。他对研究的无限热情和精力确实令人鼓舞。感谢Imedia团队中的每一个人，过去和现在。他们的智慧和指导帮助了本文中提出的许多想法，并引导我通过一些困难的问题。我想感谢我的朋友Ibtihel Ben Gharbia在Inria Rocquencourt帮助我度过了困难时期，感谢她提供的情感支持、娱乐和关怀。没有家人我该怎么办？我的父母需要特别提到他们不可分割的支持和祈祷，感谢他们的支持和关心。他们教育我，养育我，支持我，拥抱我，爱我。我想感谢我的整个大家庭为我提供了一个充满爱的环境。我的兄弟姐妹特别支持我。言语无法表达我对我的丈夫安瓦尔·卡马西的感激之情，他对我的怀疑、爱和持久的信任让我卸下了重担。最后，我想感谢每一个对论文的成功发展很重要的人，以及表达我的歉意，我不能一个接一个地提到。56摘要无监督数据聚类仍然是许多最近的多媒体检索方法中的关键步骤，包括跨不同媒体的实例、可视对象发现、多媒体文档建议或事件然而，许多经典数据聚类方法的性能和适用性迫使数据表示和相似性度量的每一个细微选择。在通常涉及异构数据和相似性度量的多媒体环境中，这种假设尤其成问题。本文研究了基于共享近邻（SNN）的新聚类范例和算法。任何两个项目都被认为是很好的关联，不是通过它们的成对相似性值的优点，而是通过它们的邻居彼此相似的程度。作为大多数其他基于图的聚类方法，SNN方法目前非常适合处理数据复杂性、异构性和高维度。但与最先进的图分区算法不同的是，它们并不试图基于成对相似性来最小化全局成本函数。相反，他们基于排名考虑考虑每个项目的邻居中的局部优化。本文的第一个贡献是重新审视现有的共享邻居方法。两点。我们首先介绍了一种基于矛盾决策理论的新SNN形式。这使我们能够从候选聚类中获得更可靠的连通性分数，并对局部最优邻居进行我们还提出了一种新的因式分解算法，用于加速所需共享邻矩阵的密集计算。本文的第二个贡献是将SNN聚类近似推广到多源情况，即每个输入对象与来自不同源的一组前k个列表相关联，而不是与单个最近邻居列表相关联。虽然SNN方法似乎理想地适用于异构信息源集，但令人惊讶的是，这个多源问题在以前的文献中没有得到解决。我们的方法的主要独创性是我们在候选聚类分数的计算中引入了信息源选择步骤任意78因此，项目集与其自身的模态的最优子集相关联，以最大化标准化的多源显著性度量。正如在实验中所显示的，这个源选择步骤使我们的方法在很大程度上稳健于局部无关源的存在，即对于一些输入对象或聚类产生非相关的最近邻居（例如，接近随机域）的源。该方法适用于广泛的问题，包括图像集合的多模态结构和基于随机投影的基于子空间的聚类。本文的第三个贡献是试图将SNN方法扩展到二分k-NN图的上下文中，即当每个待聚类项的邻居在不相交集中时。我们引入了新的SNN相关性度量，并在此渐近背景下重新审视，并表明它们可用于选择局部最优的二分簇。我们提出了一种新的双向SNN聚类算法，该算法基于随机预先计算的匹配图应用于视觉对象发现。实验表明，这种新方法在牛津建筑数据集上的性能优于最先进的对象挖掘结果。基于所发现的对象，我们还引入了一种新的视觉搜索范式，即基于对象的视觉查询建议。这个想法是向用户建议要查询的一些相关对象，因为它们是在整个数据集中或在由先前查询过滤的子集中出现的最频繁的对象。内容物1引言11.1一般介绍和贡献。 . . . . . . . . . . . . . . ... ...11.2论文大纲。 . . . . . . . . . . . . . . . . . . . . . . . . . . . ... ...3最先进的技术72聚类方法92.1集群问题。 . . . . . . . . . . . . . . . . . . . . . . ... ...92.2集群评估112.3数据聚类方法122.3.1概览122.3.2数据聚类中的开放问题和最新趋势2.4基于图的聚类方法152.4.1光谱聚类172.4.2共享的最近邻居聚类方法233视觉内容结构化和挖掘273.1浏览和总结283.2构建视觉词汇293.3视觉对象发现313.4单源、多线索和多模态图像聚类3.4.1Web图像聚类343.4.2多线索和多模态图像聚类II对共享的最近邻居集群的贡献39104重新访问共享的最近邻居集群4194.1导言414.2基本原则、符号和定义424.3SNN显著性指标434.3.1原始SNN测量值434.3.2标准化454.3.3对集合的514.3.4最佳邻里关系534.4构建共享邻居矩阵的534.5集群框架554.5.1可能的情况554.5.2聚类方法554.6实验574.6.1评估指标574.6.2综合神谕定义594.6.3合成神谕实验：r和t。604.6.4计算候选簇的最佳半径624.6.5重叠参数62的影响4.6.6与光谱聚类的4.7结论685多源共享最近邻居聚类695.1多源SN问题695.2多源SNN显著性指标705.2.1原始多源SNN显著性指标715.2.2标准化715.3以集群为中心的最佳源5.4集群框架755.5合成神谕实验775.5.1外部来源的影响775.5.2源精度和稳定性参数785.5.3来源数量的影响785.5.4计算机时间分析805.6结论816两党共享邻居集群836.1两党SNN问题83内容116.2注释846.3两党共享的最接近的邻居重要性措施856.3.1两党对立重要性措施856.4集群框架896.5对集群的贡献：快速计算906.6合成数据实验926.7第93章III视觉内容结构化的977使用多源共享邻居聚类构建可视内容997.1原因使用多源共享邻居聚类？ . . . . . . . . ...997.2树离开实验室。 . . . . . . . . . . . . . . . . . . . . . . ...1007.2.1动机。 . . . . . . . . . . . . . . . . . . . . . . . . . ...1007.2.2数据和注释。 . . . . . . . . . . . . . . . . . . . . ...1017.2.3视觉功能 . . . . . . . . . . . . . . . . . . . . . . . . ...1027.2.4匹配方案和SNN参数。 . . . . . . . . . . ...1037.2.5结果 . . . . . . . . . . . . . . . . . . . . . . . . . . . . ...1047.3多模态搜索结果聚类 . . . . . . . . . . . . . . . . . ...1087.4可视化对象挖掘。 . . . . . . . . . . . . . . . . . . . . . . . . ...1117.5基于多个随机视觉子空间的图像聚类。 . ...1137.5.1拟定方法。 . . . . . . . . . . . . . . . . . . . . . . ...1137.5.2实验。 . . . . . . . . . . . . . . . . . . . . . . . . . ...1148使用两部分共享邻居聚类1178.1可视对象发现和基于对象的可视查询建议。1178.1.1引言。 . . . . . . . . . . . . . . . . . . . . . . . . . ...1178.1.2新的视觉查询建议范例。 . . . . . . . . . . ...1188.1.3建议的视觉查询建议。 . . . . . . . . . . . . . ...1208.1.4构建匹配图并挖掘可视对象种子。...1218.1.5基于对象的可视化查询建议 . . . . . . . . . . . . ...1248.2实验。 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ...125128.2.1实验设置。 . . . . . . . . . . . . . . . . . . . . . ...1258.2.2集群性能评估。 . . . . . . . . . . . . . ...1278.2.3检索性能评估。 . . . . . . . . . . . . . ...1288.2.4可视化查询建议插图。 . . . . . . . . . . . . ...13112内容8.3结论132IV结论和观点1359结论1379.1摘要和结论1379.2前景13910 附件14110.1 叶形态特性的分级组织141参考文献143图列表1s的集群由f aitsselon低集群和v的邻居partag s组成。 144.1共享邻居集群中的完美集群424.2内部重要性指标I（A）44说明4.3根据标准ZscoreZ的显著性测量。484.4根据尺寸48进行的S和Z4.5聚类数量与相反准确度得分494.6假日数据库中的一些图片[79] 504.7重叠参数对F1和AvgCM测量的影响。634.8邻里规模对频谱聚类的影响674.9邻里规模对SNN集群的685.1信息来源数量对评价措施的805.2根据甲骨文数量进行的运行时间评估815.3根据数据集大小81进行的运行时间评估6.1具有两个完全二分簇的二分图示例。......................................................... 847.1具有某些形态特征的类别示例1017.2生成聚类的层次树组织1057.3第4组物种详细信息1077.4第2组物种详情1087.5使用视觉和文本源的多模态搜索结果1107.6维基百科的子集簇112的示例8.1作为链接发现的视觉对象的插图1208.2图123中建议的基于对象的可视化查询的插图8.3建议的视觉对象步骤1258.4牛津建筑物数据集1268.5查询对象多于m的图像直方图1314个数字列表8.6来自Google图像的建议视觉查询1318.7一些建议的查询和前三个图像返回的每一个。第一百三十二章8.8在BelgaLogos中发现了一些对象簇........................................................133表列表4.1假日数据库的4.2Corel1000数据库的4.3结果聚类的对比评分614.4结果聚类的AvgPurity测量614.5产生的聚类的F1测量614.6产生的聚类的AvgCM测量614.7鸢尾花植物数据库聚类结果664.8葡萄酒数据库聚类结果665.1r和t噪声参数对立面得分的5.2r和t噪声参数对F1测量的5.3r和t噪声参数对AvgCM 79的6.1噪声参数对AvgPurity测量的6.2噪声参数对F1测量的6.3噪声参数对AvgCM测量的影响947.1维基百科数据集111的F1和AvgPurity测量7.2Caltech256子集的F1测量的聚类结果.....................................................1137.3加州理工学院实验113中的平均源选择7.4ImageNet子集115上的多个随机子集特征聚类结果8.1牛津建筑数据集128的MAP聚类8.2牛津建筑12个地标的详细地图8.3牛津5K地图检索结果的比较.................................................................. 1298.4MAP检索.................................................................................................. 12915
我的内容管理
展开
