Πλοήγηση ανά Συγγραφέας "Lasthiotaki, Dimitra"

Τώρα δείχνει 1 - 1 of 1
  • Δεν υπάρχει διαθέσιμη μικρογραφία
    Τεκμήριο
    Ομαδοποίηση εικόνων με βάση το περιεχόμενο.
    (Τ.Ε.Ι. Κρήτης, Σχολή Διοίκησης και Οικονομίας (Σ.Δ.Ο), Τμήμα Διοίκησης Επιχειρήσεων (Αγ. Νικόλαος), 2019-10-24) Λασθιωτάκη, Δήμητρα; Μαρκάκη, Σμαράγδα; Lasthiotaki, Dimitra; Markaki, Smaragda
    Ομαδοποίηση ή διαφορετικά “clustering” είναι η διαδικασία κατά την οποία δεδομένα κατατάσσονται σε σημασιολογικά σύμφωνες ομάδες (clusters) με βάση κάποιο μέτρο ομοιότητας. Η έννοια του “cluster” δεν μπορεί να οριστεί επακριβώς και αυτό είναι ένας απ’ τους λόγους που υπάρχουν πάρα πολλοί αλγόριθμοι ομαδοποίησης. Επίσης, δεν μπορούμε να πούμε ότι υπάρχει ένας αντικειμενικά “σωστός” αλγόριθμος που να εφαρμόζεται σε όλες τις περιπτώσεις. Οι βασικοί αλγόριθμοι ομαδοποίησης διακρίνονται σε τέσσερις κύριες κατηγορίες: τους Ιεραρχικούς Αλγόριθμους (Hierarchical Algorithms), τους Αλγόριθμους κ – κέντρου (k – means), τους Διαμεριστικούς ή Κατανεμημένους Αλγόριθμους (Distribution-based clustering) και τους Βασισμένους στην Πυκνότητα (Density-based clustering). Η ομαδοποίηση εικόνων αναφέρεται στο πρόβλημα εύρεσης της κατάλληλης αντιστοίχισης των εικόνων σε ομάδες (clusters) έτσι ώστε κάθε ομάδα να αποτελείται από εικόνες με όμοια χαρακτηριστικά. Οι τεχνικές ομαδοποίησης εικόνων μπορούν να χωριστούν σε δύο κύριες κατηγορίες, στις supervised τεχνικές οι οποίες χαρακτηρίζονται από την ανθρώπινη παρέμβαση και στις unsupervised τεχνικές. Όλες οι τεχνικές, όμως, ανεξαρτήτως κατηγορίας βασίζονται στις ομοιότητες μεταξύ των χαρακτηριστικών των εικόνων και στο πλήθος των ομάδων. Μια μορφή ομαδοποίησης εικόνων θεωρείτε και το πρόβλημα της ταξινόμησης – προσπέλασης των εικόνων μιας μεγάλης βάσης δεδομένων με βάση το περιεχόμενο, με το οποίο θα ασχοληθούμε εκτενώς στα πλαίσια της παρούσας εργασίας. Η ταξινόμηση των εικόνων με βάση το περιεχόμενο είναι στην ουσία η δημιουργία μιας διαδρομής που θα περνάει απ’ όλες της εικόνες μια μόνο φορά, με τέτοια σειρά ώστε η επόμενη από την προηγούμενη φωτογραφία να έχουν όμοιο περιεχόμενο. Το πρόβλημα αυτό μοιάζει πολύ με το πρόβλημα του “Πλανόδιου Πωλητή”, γνωστό στη βιβλιογραφία ως The Travelling Salesman Problem (TSP). Το πρόβλημα του “Πλανόδιου Πωλητή” (TSP) αναφέρεται στην εύρεση της ιδανικής και ελάχιστης διαδρομής για τον πλανόδιο πωλητή ο οποίος ξεκινώντας από την αφετηρία του, θα πρέπει να επισκεφθεί μια σειρά από πόλεις και έπειτα να επιστρέψει στην αρχική τοποθεσία έτσι ώστε η συνολική απόσταση του ταξιδιού του να είναι η ελάχιστη δυνατή και με περιορισμό να επισκεφθεί κάθε πόλη μια και μόνο φορά. Ένας από τους πρώτους αλγορίθμους που χρησιμοποιήθηκε για την επίλυση του TSP προβλήματος είναι ο αλγόριθμος του κοντινότερου γείτονα (NN algorithm). Μια άλλη ευριστική μέθοδος, επίσης, που αποδίδει καλές λύσεις στο πρόβλημα αυτό είναι η Ant Colony Optimization (ACO) η οποία χρησιμοποιεί μια προσομοίωση μιας αποικίας μυρμηγκιών και βασίζεται στη συμπεριφορά που παρατηρείτε σε πραγματικά μυρμήγκια να εντοπίζουν το συντομότερο μονοπάτι μεταξύ της εκάστοτε πηγής τροφής και της φωλιάς τους. Τέλος, μια άλλη κατηγορία αλγορίθμων που χρησιμοποιούνται ευρέως για την επίλυση τέτοιου τύπου προβλημάτων, είναι οι Γενετικοί Αλγόριθμοι που ανήκουν στην κατηγορία των μετάευρετικών (metaheuristic) αλγορίθμων και είναι εμπνευσμένοι από τη διαδικασία της φυσικής επιλογής η οποία ανήκει στην μεγαλύτερη κατηγορία των εξελικτικών αλγορίθμων (Evolutionary Algorithms – EA).