۱. مقدمه

امروزه استفاده از تصاویر و ویدئوهای دیجیتال یا داده‌های بصری رو به افزایش است و می‌تواند به سادگی به جای داده‌های متنی متداول شود. برای این اتفاق علت‌های مختلفی مثل : فراگیری اینترنت، بالا رفتن کارایی و دسترسی به دوربین‌های دیجیتال و ... وجود دارد. با بالا رفتن این نوع اطلاعات نیاز به یک سیستم برای بازیابی تصاویر و ویدیو‌های دیجیتال حس شد.. بازیابی تصاویر بر اساس محتوا یا CBIR ¹ یک تکنیک برای پیدا کردن تصاویر در دیتابیس‌های بزرگ تصویری است.
در ابتدا بازیابی تصاویر بر اساس متن انجام می‌شد اما با پیشرفت تکنولوژی تصویر برداری و استفاده تصاویر در حوزه‌های مختلف علوم، این روش با مشکل‌های زیادی روبرو شد.
سیستم‌های CBIR از دو روش برای جست‌جو استفاده میکنن. ۱- جست‌وجو بر اساس متن ۲-جست‌جو بر اساس تصویر. در روش اول که معمولی‌ترین روش جست‌جو است میتوان اطلاعات دقیق‌تر و بهتری از کاربر دریافت کرد. در روش دوم یک عکس از کاربر دریافت کرده و نزدیک‌ترین تصاویر به آن را پیدا میکند.
در سیستم‌های معمولی CBIR دو کار عمده انجام می‌شود ۱- استخراج ویژگی‌ها ۲- اندازه‌گیری شباهت. روش کلی کار اینگونه است که ابتدا یک مجموعه ویژگی را با استفاده از داده‌های اولیه بدست‌ می‌آورد و سپس با استفاده از مجموعه ویژگی بدست آمده ، برای داده‌های جدید مقدار شباهت را اندازه‌گیری میکند و بر اساس داده‌های داخل دیتابیس تصویر را بازیابی میکند.

استخراج ویژگی‌های می‌تواند از قابلیت‌های مختل عکس مثل ساختار رنگ‌ها ، بافت تصویر و ... باشد.
اما مشکل اصلی در این است که اطلاعات ساده که توسط کامپیوتر بررسی می‌شود با مفاهیم عمیقی که انسان از عکس برداشت میکند فاصله‌های زیادی دارد. الگوریتم‌های یادگیری ماشین روشی برای کم کردن این فاصله است.
در سال‌های اخیر یادگیری عمیق ²تحول اساسی در الگوریتم‌های یادگیری ماشین ایجاد کرده و موفقیت‌های چشم‌گیری داشته است. این موفقیت‌ها باعث می‌شود که امید برای پیدا کردن یک چارچوب³ بر مبنای یادگیری عمیق برای سیستم‌های CBIR بالا برود. هدف از پیاده‌سازی چارچوب این است که ماشین به جای اینکه ویژگی‌های کمی را با کمک انسان پیدا کند، بتواند ویژگی‌های زیادی بدون کمک انسان و با استفاده از دامنه دانش خود پیدا کند.

۲. کارهای مرتبط

ارائه ویژگی‌ها
پیدا کردن و نمایش دادن ویژگی‌ها اولین و پایه‌ای ترین کار در سیستم‌های CBIR است. ویژگی‌هایی خاص که توسط الگوریتم‌های پردازش تصویر از تصاویر استخراج می‌شوند مانند رنگ،ساختار،شکل و ... .
یادگیری عمیق
تست

۳. آزمایش‌ها

۴. کارهای آینده

۵. مراجع

Deepak S. Shete, Dr. M.S. Chavan" Content Based Image Retrieval"
Ji Wan , Dayong Wang, Steven C.H. Hoi, Pengcheng Wu,Jianke Zhu, Yongdong Zhang1, Jintao Li"Deep Learning for Content-Based Image Retrieval:A Comprehensive Study"

۵.۱. پیوندهای مفید

Content Based Image Retrieval
Deep learning
framework

سلام
توضیحات شما برای مقدمه و شرح مسئله بسیار خوب بود ولی متاسفانه سایر قسمت‌هارو خالی گذاشتین.

سید ابوالفضل مهدی زاده

تایید شده

متاسفانه برای کارهای آینده توضیحی داده نشده است .

کار های مرتبط درحد چند عنوان بود، پروژه پیاده سازی نشده بود و لینک گیت هاب هم وجود نداشت، و به تبع آن نتایج آزمایش ها نیز قرار داده نشده بود

سلام.
شما مساله را به صورت نسبی شفاف مطرح کردید و تعریف نسبتا خوبی از مساله بیان کردید.بهتر بود که اولا از منابع جدیدتری استفاده میکردید وهم از منابع بیشتری استفاده میکردید و آن ها را مطالعه میکردید تا ایده ای برای انجام این پروژه داشته باشید .شما فقط سیستم‌های CBIR را بررسی نسبی کردید.شما می بایست روش های دیگر را بیان میکردید وآن ها را باهم مقایسه میکردید تا وقتی خواننده پروژه شما را میخواند در نهایت بداند که کدام روش برای حل این مساله پیشنهاد میشود وبهتر است و روش ها از نظر چه فاکتور هایی نسبت به هم ضعف یا قوت دارند واینکه استفاده از کدام یک از روش ها مفیدتر خواهد بود.درمتن شما کلمات انگلیسی به کار رفته است که بهتر بود معادل فارسی کلمات را به جای استفاده در متن،در پاورقی خود ذکر میکردید.(مثل بازیابی تصاویر بر اساس محتوا یا CBIR ).در هر متنی که مینویسید اگر جایی از متن،برداشتی از مقاله یا متنی بوده است ویا مستقیما ترجمه ونقل قول عبارات است باید همان جا به آن مطلب ارجاع دهید وباید قسمت مراجع را با دقت بیشتری تکمیل میکردید.قسمت کارهای مرتبط هم کامل نبوده وتوضیح واضحی داده نشده است و پروژه ی شما تحقیقاتی نبوده و میبایست به قسمت پیاده سازی توجه میکردید.هم چنین پیشنهادی برای کارهای آینده نداشتید.موفق باشید.

با سلام
بخش مقدمه به خوبی توضیح داده شده است. اما در باقی بخش ها متاسفانه تلاشی صورت نگرفته است!
خسته نباشید

بازیابی تصاویر بر اساس محتوا با استفاده از یادگیری عمیق(تحقیقاتی)