Create your own awesome maps

Even on the go

with our free apps for iPhone, iPad and Android

Get Started

Already have an account?
Log In

Image Navigator by Mind Map: Image Navigator
0.0 stars - reviews range from 0 to 5

Image Navigator

Grapherzeugung

Probleme

große Datenbestände

Veränderlichkeit, Neuberechnung nach dem Hinzufügen/Entfernen eines Bildes?

Ideen, finden eines Grundgraphen, der dann schrittweise verbessert wird, Clustering zur Initialisierung, minimaler Spannbaum, Ermittlung eines vollvernetzten Graphen und Entfernung von Kanten, Problem des Speicherbedarfs

Ziele, Performance, Parallelisierbarkeit des Algorithmus, Optimalität, Erreichbarkeit aller Knoten = Zusammenhängender Graph, möglichst kurze Wege zwischen allen Knoten, geringe Anzahl an Kanten

Vorberechnung der optimalen initialen Vorschläge?

k-Means Clustering mit k = Anzahl der initialen Vorschläge

Finden aller Partitionen und Bestimmung der "besten" Repräsentanten, Anzahl der Partitionen/Vorschläge unbekannt

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

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

ein Graph je Feature für Relevance Feedback, gerichteter Graph, =Liste, nächste Nachbarn, Performance, problemlos parallelisierbar zur Anzahl der Feature (ein Graph pro Feature), Parallelisierbar zur Anzahl der Knoten, Ermittelt durch das konkrete Distanzmaß des zugehörigen Agenten, Hinzufügen/Entfernen von Knoten unproblematisch

ein Graph der Vollvernetztheit garantiert = (Essential Connection Graph), sollte auf dem Ausgangsdatensatz ermittelt werden, für die Darstellung sind ALLE Nachbarn aller Bilder im aktuellen Kontext wichtig, der Graph sollte möglichst wenige Kanten besitzen, Vorgehensweise, (1) Merge der erzeugten Featuregraphen zu einem neuen Graphen, alle gerichteten Kanten werden ungerichtet, noch nicht zusammenhängend, (2) Einfügen von Kanten um nicht verbundene Teilmengen zu verbinden, Finden der einzelnen Partitionen, (3) Finden eines (minimalen) Spannbaumes, Dieser Graph enthält alle Knoten die dem Nutzer unbedingt vorgeschlagen werden müssen, (4) Optimierung, Hinzufügen von Kanten die den Graph bzgl. der durchschnittlichen Weglänge optimieren, Probleme, Wann aufhören?, maximale Anzahl von Kanten (Verhältnis Kantenzahl / Knotenzahl) überschreitet eine bestimmte Grenze, Performance, eingefügte Kanten sollten eine bestimmte Mindestlänge haben, sehr ähnliche Bilder werden wahrscheinlich bereits durch RF und dessen Graphen vernetzt, durch die eingefügte Kante verbundenen Knoten sollten eine bestimmte Mindestentfernung besitzen, Messen der Entfernung im Distanzmaß oder der Knotenzahl auf dem Weg?, Neue Kanten zu Punkten mit einem hohen Grad sollten vermieden werden, damit die Anzahl der Vorschläge nicht zu hoch wird, Wahrscheinlich können die Informationen zu den ursprünglichen Partitionen hier hilfreich sein, Nur ein Verbindungsweg zwischen zwei Partitionen selten optimal, Hinzufügen/Entfernen von Knoten, Beim Hinzufügen von Knoten reicht es den vorhandenen Graphen um eine Kante zu erweitern, diese Kanten entspricht einem der n nächsten Nachbarn des Knotens, Berechnung für den RF Graphen bereits erfolgt, Welcher?, Beim Entfernen von Knoten reicht es den Graphen um eine Kante zu erweitern, Entfernen vermutlich für die meisten Anwendungsfälle nicht relevant, Finden einer "Umleitung", Die Nachbarn des zu entfernenden Knotens sind bekannt, Einfügen einer Kante zwischen den untereinander zwei nächsten Knoten der Nachbarschaft, wurde eine Bestimmte Anzahl von Bildern entfernt/hinzugefügt, sollte der Graph komplett neu ermittelt werden

die gleichen Kanten können und sollten auch in mehreren Graphen vorkommen

Darstellung/Navigation/Vorgehensweise

benötigte Operationen

zurück

Starcharts

Darstellung höherdimensionaler Eigenschaften, Weitere Achsen für jedes dieser Unterdimensionen, wobei diese Unterdimensionen kleinere Winkel einschließen, Bildung eines Ministarcharts (kürzere Achsen), welches in das Hauptcharts projiziert wird, Glyphs

Darstellung möglichst "optimaler" Repräsentanten für jede der Eigenschaften

Verwendung der aus dem RF gewonnen Gewichte für die Skalierung der Achsen, bewirkt eine Veränderung der Positionen vorhandener Bilder, Veränderung der Position durch Animation

Wie kann man die Möglichkeit der Rotation der Achsen nutzen?, Rotation durch den Nutzer (Wohl nur für den Searcher/Surfer interessant), Verknüpfung mit PCA (Ermittlung und Übertragung der Winkel auf die Achsen der Starcharts)

Ziele

Intuitive Darstellung hochdimensionaler Featureräume

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

Vermeidung von Sackgassen

intuitive Navigation, Weg zurück, Darstellung aller in der letzten Iteration als wichtig erachteten Bilder

Probleme

hochdimensionaler Featureraum

riesige Datenbestände: Darstellung nur weniger Bilder gleichzeitig möglich

PCA

Finden der Hauptkomponenten im Featureraum

Anwendung auf welche Datenmenge?, gesamte Bilddatenmenge, in Verbdinung mit RF, vom Nutzer selektiertes Subset relevanter Bilder, Subset der von RF vorgeschlagenen Bilder

Kernel PCA

Navigationsszenarien

Browser (Kein genaues Ziel vor Augen)

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

Surfer (mit der Suche zunehmend klareres Bild vor Augen)

Multidimensionale Skalierung

Auswahl der Vorschläge für die Darstellung

Relevance Feedback (RF)

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

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

jeder Agent/Graph liefert die aus seiner Sicht (durch sein Distanzmaß) zu den Anfragebildern optimalen Ergebnisbilder, Wahl von mehreren optimalen Bildern zu einem Input von mehreren Bildern, quadratischer Abstand zu allen gewählten Bildern möglichst minimal

Zusammenführen der aus der jeweiligen Agentensicht optimalen Ergebnisse zu einer insgesamt optimalen Ergebnisliste, Nutzung der Gewichte

Ermittlung einer Relevanz (Gewichte) aus den gewählten Bildern, Probleme, 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)

Möglichst verschiedene initiale Vorschläge, um große Anfangssprünge zu erlauben

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

Distanzmaße

beliebig auswechselbar

domainspezifisch

out of scope dieser Arbeit

beeinflusst das Ergebnis der Vorschläge gewaltig

möglichst gute Distanzmaße für die Prototypen

symmetrisch/asymmetrisch?

Prototypen/Beispiele

Farbraum (R, G, B sind jeweils Eigenschaften)

Alle Grauwerte (Schwarz-Weiß) befinden sich beim Starchart im Zentrum, nicht intuitiv, dass Schwarz und Weiß direkt nebeneinander liegen, Auffinden von Schwarz bzw. Weiß trotzdem sehr gut möglich, da durch RF helle/dunkle Bilder nach der ersten Iteration verschwinden

Farbverlauf selbst bis auf das Zentrum sehr intuitiv

Gesichter einer aus Parametern generierten Gesichtsdatenbank

möglichst gute Distanzmaße

Organisation der Bild- und Graphdaten für den Zugriff

genaue Betrachtung out of scope dieser Arbeit

Erzeugung von Thumbnails für die Darstellung

Vorberechnung aller Feature (Histogramme etc.)