Image Navigator

Get Started. It's Free
or sign up with your email address
Rocket clouds
Image Navigator by Mind Map: Image Navigator

1. Grapherzeugung

1.1. Probleme

1.1.1. große Datenbestände

1.1.2. Veränderlichkeit

1.1.2.1. Neuberechnung nach dem Hinzufügen/Entfernen eines Bildes?

1.1.3. Ideen

1.1.3.1. finden eines Grundgraphen, der dann schrittweise verbessert wird

1.1.3.1.1. Clustering zur Initialisierung

1.1.3.1.2. minimaler Spannbaum

1.1.3.2. Ermittlung eines vollvernetzten Graphen und Entfernung von Kanten

1.1.3.2.1. Problem des Speicherbedarfs

1.1.4. Ziele

1.1.4.1. Performance

1.1.4.1.1. Parallelisierbarkeit des Algorithmus

1.1.4.2. Optimalität

1.1.4.2.1. Erreichbarkeit aller Knoten = Zusammenhängender Graph

1.1.4.2.2. möglichst kurze Wege zwischen allen Knoten

1.1.4.2.3. geringe Anzahl an Kanten

1.2. Vorberechnung der optimalen initialen Vorschläge?

1.2.1. k-Means Clustering mit k = Anzahl der initialen Vorschläge

1.2.2. Finden aller Partitionen und Bestimmung der "besten" Repräsentanten

1.2.2.1. Anzahl der Partitionen/Vorschläge unbekannt

1.2.3. n Knoten mit dem höchsten Grad im ECG und einem bestimmten Mindestabstand in Knoten

1.3. es werden mehrere Graphen benötigt, weil das RF wichtige Ausreißer bestrafen würde

1.3.1. ein Graph je Feature für Relevance Feedback

1.3.1.1. gerichteter Graph

1.3.1.1.1. =Liste

1.3.1.2. nächste Nachbarn

1.3.1.3. Performance

1.3.1.3.1. problemlos parallelisierbar zur Anzahl der Feature (ein Graph pro Feature)

1.3.1.3.2. Parallelisierbar zur Anzahl der Knoten

1.3.1.4. Ermittelt durch das konkrete Distanzmaß des zugehörigen Agenten

1.3.1.5. Hinzufügen/Entfernen von Knoten unproblematisch

1.3.2. ein Graph der Vollvernetztheit garantiert = (Essential Connection Graph)

1.3.2.1. sollte auf dem Ausgangsdatensatz ermittelt werden

1.3.2.1.1. für die Darstellung sind ALLE Nachbarn aller Bilder im aktuellen Kontext wichtig

1.3.2.2. Vorgehensweise

1.3.2.2.1. (1) Merge der erzeugten Featuregraphen zu einem neuen Graphen

1.3.2.2.2. (2) Einfügen von Kanten um nicht verbundene Teilmengen zu verbinden

1.3.2.2.3. (3) Finden eines (minimalen) Spannbaumes

1.3.2.2.4. (4) Optimierung

1.3.2.3. Hinzufügen/Entfernen von Knoten

1.3.2.3.1. Beim Hinzufügen von Knoten reicht es den vorhandenen Graphen um eine Kante zu erweitern

1.3.2.3.2. Beim Entfernen von Knoten reicht es den Graphen um eine Kante zu erweitern

1.3.2.3.3. wurde eine Bestimmte Anzahl von Bildern entfernt/hinzugefügt, sollte der Graph komplett neu ermittelt werden

1.3.3. die gleichen Kanten können und sollten auch in mehreren Graphen vorkommen

2. Darstellung/Navigation/Vorgehensweise

2.1. benötigte Operationen

2.1.1. zurück

2.2. Starcharts

2.2.1. Darstellung höherdimensionaler Eigenschaften

2.2.1.1. Weitere Achsen für jedes dieser Unterdimensionen, wobei diese Unterdimensionen kleinere Winkel einschließen

2.2.1.2. Bildung eines Ministarcharts (kürzere Achsen), welches in das Hauptcharts projiziert wird

2.2.1.3. Glyphs

2.2.2. Darstellung möglichst "optimaler" Repräsentanten für jede der Eigenschaften

2.2.3. Verwendung der aus dem RF gewonnen Gewichte für die Skalierung der Achsen

2.2.3.1. bewirkt eine Veränderung der Positionen vorhandener Bilder

2.2.3.1.1. Veränderung der Position durch Animation

2.2.4. Wie kann man die Möglichkeit der Rotation der Achsen nutzen?

2.2.4.1. Rotation durch den Nutzer (Wohl nur für den Searcher/Surfer interessant)

2.2.4.2. Verknüpfung mit PCA (Ermittlung und Übertragung der Winkel auf die Achsen der Starcharts)

2.3. Ziele

2.3.1. Intuitive Darstellung hochdimensionaler Featureräume

2.3.2. Navigation durch anfangs große Sprünge, die im Verlauf der Suche kleiner werden, wenn man sich dem Ziel nähert

2.3.3. Vermeidung von Sackgassen

2.3.4. intuitive Navigation

2.3.4.1. Weg zurück

2.3.4.2. Darstellung aller in der letzten Iteration als wichtig erachteten Bilder

2.4. Probleme

2.4.1. hochdimensionaler Featureraum

2.4.2. riesige Datenbestände: Darstellung nur weniger Bilder gleichzeitig möglich

2.5. PCA

2.5.1. Finden der Hauptkomponenten im Featureraum

2.5.2. Anwendung auf welche Datenmenge?

2.5.2.1. gesamte Bilddatenmenge

2.5.2.2. in Verbdinung mit RF

2.5.2.2.1. vom Nutzer selektiertes Subset relevanter Bilder

2.5.2.2.2. Subset der von RF vorgeschlagenen Bilder

2.5.3. Kernel PCA

2.6. Navigationsszenarien

2.6.1. Browser (Kein genaues Ziel vor Augen)

2.6.2. Searcher (Genaues Bild vor Augen, welches im Datenbestand gefunden werden soll)

2.6.3. Surfer (mit der Suche zunehmend klareres Bild vor Augen)

2.7. Multidimensionale Skalierung

3. Auswahl der Vorschläge für die Darstellung

3.1. Relevance Feedback (RF)

3.1.1. bereits als nicht interessant markierte Bilder (=Bilder die bereits vorgeschlagen aber ignoriert wurden) wieder vorschlagen?

3.1.2. lohnt eine Unterscheidung zwischen relevanten, gleichgültigen und nicht gewünschten Bildern?

3.1.3. jeder Agent/Graph liefert die aus seiner Sicht (durch sein Distanzmaß) zu den Anfragebildern optimalen Ergebnisbilder

3.1.3.1. Wahl von mehreren optimalen Bildern zu einem Input von mehreren Bildern

3.1.3.1.1. quadratischer Abstand zu allen gewählten Bildern möglichst minimal

3.1.4. Zusammenführen der aus der jeweiligen Agentensicht optimalen Ergebnisse zu einer insgesamt optimalen Ergebnisliste

3.1.4.1. Nutzung der Gewichte

3.1.5. Ermittlung einer Relevanz (Gewichte) aus den gewählten Bildern

3.1.5.1. Probleme

3.1.5.1.1. Es können sich auch Bilder im Kontext befinden, die von keinem Agenten vorgeschlagen wurden (initiale Bilder, Bilder die der Nutzer früher gewählt hatte aber immer noch als wichtig erachtet)

3.2. Möglichst verschiedene initiale Vorschläge, um große Anfangssprünge zu erlauben

3.3. es müssen immer auch Vorschläge unterbreitet werden, die dem Nutzer einen "Weg" zurück erlauben

4. Distanzmaße

4.1. beliebig auswechselbar

4.2. domainspezifisch

4.2.1. out of scope dieser Arbeit

4.3. beeinflusst das Ergebnis der Vorschläge gewaltig

4.3.1. möglichst gute Distanzmaße für die Prototypen

4.4. symmetrisch/asymmetrisch?

5. Prototypen/Beispiele

5.1. Farbraum (R, G, B sind jeweils Eigenschaften)

5.1.1. Alle Grauwerte (Schwarz-Weiß) befinden sich beim Starchart im Zentrum

5.1.1.1. nicht intuitiv, dass Schwarz und Weiß direkt nebeneinander liegen

5.1.1.2. Auffinden von Schwarz bzw. Weiß trotzdem sehr gut möglich, da durch RF helle/dunkle Bilder nach der ersten Iteration verschwinden

5.1.2. Farbverlauf selbst bis auf das Zentrum sehr intuitiv

5.2. Gesichter einer aus Parametern generierten Gesichtsdatenbank

5.3. möglichst gute Distanzmaße

6. Organisation der Bild- und Graphdaten für den Zugriff

6.1. genaue Betrachtung out of scope dieser Arbeit

6.2. Erzeugung von Thumbnails für die Darstellung

6.3. Vorberechnung aller Feature (Histogramme etc.)