odlike i prezentacije saznanja multimedijalnog podatka n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
ODLIKE I PREZENTACIJE SAZNANJA MULTIMEDIJALNOG PODATKA PowerPoint Presentation
Download Presentation
ODLIKE I PREZENTACIJE SAZNANJA MULTIMEDIJALNOG PODATKA

Loading in 2 Seconds...

play fullscreen
1 / 30

ODLIKE I PREZENTACIJE SAZNANJA MULTIMEDIJALNOG PODATKA - PowerPoint PPT Presentation


  • 124 Views
  • Uploaded on

ODLIKE I PREZENTACIJE SAZNANJA MULTIMEDIJALNOG PODATKA. Mentor: Student: Prof. d r Milorad K. Banjanin Mirko Stojčić 36/08. Multimedia data. Predstavljanje. Primer. Korisna INFORMACIJA.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'ODLIKE I PREZENTACIJE SAZNANJA MULTIMEDIJALNOG PODATKA' - elani


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
odlike i prezentacije saznanja multimedijalnog podatka

ODLIKE I PREZENTACIJE SAZNANJA MULTIMEDIJALNOG PODATKA

Mentor: Student:

Prof. dr Milorad K. Banjanin Mirko Stojčić 36/08

slide2

Multimedia data

Predstavljanje

Primer

Korisna

INFORMACIJA

U originalnom formatu –

PODATAK

CILJ

Zahtijevaju više utrošenog vremena i više angažovanog skladišnog prostora

Originalni format je u JPEG i pravi „sadržaj“ ove slike su linearni brojevi za svaki bajt u originalnom predstavljanju koji ne govore ništa o tome šta je ta slika.

Za multimedia mining svrhu.

Može olakšati različite utrošene i mining operacije

Ova prezentacija (korisna informacija) bi trebalo da pomogne da multimedia data mining bude izuzetno laka i pristupačna.

Dizajnirani su za najbolje arhiviranje podataka ali ne za ispunjavanje multimedia data mining svrhe

Da otkrije saznanja predstavljena na prikladan način

slide3

DIGITALNO MODELIRANJE

Prostorno modelovanje

Originalna kontinualna informacija

Digitalizacija

Modelovanje

1100101011010010010010001111101000101010

Privremeno modelovanje

Uzorkovanje signala-Signal sampling

slide4

Privremeno modelovanje

Signal sampling

Prostorno modelovanje

Za simboličko predstavljanje podatka, zvano (uzorak)- sample, dobijeno poslije prostornog modelovanja, kažemo da se zove piksel, što podržavaju elementi slike.

Za privremene signale isto što i audio zvuci. Za audio podatak, posle privremenog modelovanja, stalni broj susjednih modela (uzoraka) privremenog područja naziva se frejm.

Za video signale, posle privremenog modeliranja neprekidni video postaje dosljedan privremenim modelima i onda svaki takav privremeni uzorak postaje slika koja se naziva frejm. Svaki frejm a to je ustvari slika, može biti dalje prostorno modelovan da ima kolekciju piksela.

Za video podatak u svakom frejmu uobičajeno je da se definiše stalni broj prostorno-graničnih piksela kao blok. Npr. u MPEG formatu (4) blok je definisan kao područje 8×8 piksela.

Posle privremenog i prostornog samplinga imamo kolekciju uzoraka. Stvarno mjerenje prostora ovih uzoraka je još uvijek neprekidno. Stoga, potrebno je da primjenimo treći tip modeliranja, signal sampling, na jasno mjesto da bi predstavili neprekidni niz originalnih jasnoća u ograničeni set digitalnih vrijednosti signala.

PIKSEL

Video signal

Prostorno modelovanje

Privremeno modelovanje

Model uzorka linearnog signala

Model uzorka nelinearnog signala

slide5

Nyquist učestalost

Prostorno modeliranje

Privremeno modeliranje

I NFORMAC I JE

I NFORMAC I JE

Optimalna učestalost

modeliranja

Under

sampling

Over

sampling

Nyquist Sampling Theorem

Optimalna učestanost modeliranja je prikazana da bude dva puta veća strukturna promjena učestalosti( za prostorno modeliranje) ili dva puta veća privremena promjena učestalosti (za privremeno modeliranje).

slide6

TIPOVI MEDIJA

Postoji nekoliko uobičajenih sukobljenih medijskih tipova u multimedia data mining-u. One mogu biti predstavljene u dimenzijama prostora u kojima je podatak

0 -dimenzionalni podatak

Ovaj tip podatak ima tri dimenzije prostora odredjene u njima. Video i animirani podaci su standardni primjeri ove vrste podataka

Ovaj podatak ima dvije dimenzije prostora odredjene u njima. Slikovni i grafički podaci su dva uobičajena primjera za ovaj tip podatka

Ova vrsta podataka je regularan numerički podatak. Karakterističan primjer je tekstualni podatak.

Ima jednu dimenziju prostora zadatu u njima. Tipičan primjer za ovaj tip podataka je audio podatak

1 - dimenzionalni podatak

2 - dimenzionalan podatak

3 - dimenzionalni podatak

slide7

TF-IDF

Cepstrum

Princip učestalosti

Atributi audio zvuka

Optički protok

TF-IDF mjera je posebno definisana kao odlika za tekst podatak. Dati text baze podataka je sastavljen od N dokumenata i ukupno M riječi vokabulara. Uzimamo u obzir svaki dokument samo kao kolekciju izdvojenih riječi, što se rezultuje u torba-riječi prezentaciji.

Po datoj pretpostavci predstavljamo bazu podataka kao N i M matriks koji se naziva Term Freguency Matrix, gdje je svaki unos TF (i,j) učestalo ponavljanje slova j koji se nalazi u dokumentu i. Stoga, ukupan izraz učestalosti za slovo j je:

IDF- Inverse Document Frequency:

Gdje DF označava broj dokumenata u kojim se slovo j pojavljuje i to se zove učestalost dokumenta za slovo j.

Konačno TF-IDF za slovo j se definiše kao:

TF-IDF(j)= TF (j)×IDF(j)

Cepstrum odlike se uglavnom koriste za jedno-dimenzionalne media tipove podataka, kao što su audio podaci. Tako prikazan tip media podatka predsatvljen kao jednodimnzionalan signal , cepstrum je definisan kao Fourier transformacija spektra signalskih decibela. Decibel spektar signala je dobijen uzimanjem logaritma iz Furijeovih transformacija orijentalnog signala.

Odnosi se na najniže učestalosti u nizu harmonije koja ima tipičan audio zvuk. Ako predstavimo audio zvuk kao niz sinusoidnih funkcija, princip učestalosti odnosiće se na učestalost koju sinusoidna funkcija ima u spektrima. Princip učestalosti se uglavnom koristi kao odlika za audio data mining.

Uključuju visinu tona, glasnoću i boju glasa.

Visina tona se odnosi na osjećaj „ dubine “ ili „ visine“, obično povezano sa učestalošću zvukova, uglavnom povezano sa osnovnom učestalošću glasova. Glasnoća se odnosi na osjećaj „jačine“ ili „inteziteta“ tona zvuka, uglavnom povezano sa intezitetom energije glasa (protok energije ili oscilacija amplitude zvuka talasa koja prolazi kroz ljudsko uho).

Boja glasa se odnosi na osjećaj „ kvaliteta“ audio zvukova, uglavnom povezana sa spektrom audio zvukova.

Optički protoci su odlike koje se uglavnom koriste za trodimenzionalne tipove media podataka kao što su video i animacija. Optički protoci su definisani kao promjene jasnoće slike, specifične lokacije slike za vrijeme kretanja slike, kao što su video i animacijski protoci.

Vektori kretanja su korisne informacije u otkrivanju trodimenzionalnog kretanja iz slike u vidokrug kompjuterskog istarživanja. Iako ne postoji direktan put za mjerenje vektorskog kretanja u slici, često se pretpostavlja da je kretanje vektora isto kao optički protoci. Prema tome optički protoci se koriste kao kretanje vektora.

Medijski-specifične odlike

slide8

ODLIKE PREDSTAVLJANJA

ODLIKE

FUNKCIJE

Odlike su apstrakcije podatka u specifičnom modalitetu definisano u količini koja se može izmjeriti u specifičnom Euklidskom prostoru. Euklidov prostor se tako zove funkcija prostora.

Funkcije, takođe zvane atributi, su apstraktni opis originalne multimedia data u funkciji prostora. Tipično, postoji više nego jedna funkcija koja se koristi da bi se opisao podatak

Proces identifikacije funkcije vektora iz originalnih multimedia data naziva se funkcija ekstrakcija

Kao rezultat možemo koristiti kombinovane funkcije vektora za sve različite modalitete podatka ukoliko se mining uporedo izvršava u čitavoj skupini podataka, ili možemo ostaviti individualne funkcije vektora za individualne modalitete podataka ukoliko se mining obavlja odvojeno za različite modalitete podataka.

Funkcije su definisane zbog specifičnog modaliteta multimedijalnog podatka. Zato za date višestruke modalitete multimedijalnog podatke možemo koristiti funkcije vektora da bi opisali podatak u svakom modalitetu.

slide9

FUNKCIJE

STATISTIČKE

GEOMETRIJSKE

META

Osim nekih od meta funkcija, većina funkcija zastupanja metoda su primjenjene u jedinici multimedijalnog podatka umjesto u cijelom multimedijalnom podatku ili čak u dijelu jedinice multimedijalnog podatka.

Dio jedinice multimedijalnog podatka zove se objekat. Objekat je dobijen segmentacijom jedinica multimedijalnog podatka

Jedinica multimedijalnog podatka je tipično definisana kao specifični modalitet podatka.Npr. za audio strim jedinica je audio frejm , za kolekciju slika jedinica je slika, za video strim jedinica je video frejm.

slide10

daju samo skup, statistički opis originalnog podatka u stanovištu

HISTOGRAMI

STATISTIČKE FUNKCIJE

PROMJENA

KOEFICIJENATA

nije moguće očekivati da se otkriju originalne informacije iz ovog skupa

KORELOGRAMI

primjenjene su na cijelu jedinicu multimedijalnog podatka

nisu jedinstvene

POVEZANI

VEKTORI

slide11

HISTOGRAM

Dio slike

Histogrami kao poznati grafikoni, datiraju iz rane literature uzoraka prepoznavanja i analize slike.

Histogram je statistički metod za pretvaranje originalne prezentacije podatka u učestalo pojavljivanje informacija, mjerenu za posebnu količinu u originalnom podatku.

  • Matematički, data specifična količina F(p) kao funkcija modela vektora p multimedijalnog podatka, (npr, p može biti prostorna tačka predstavljena kao par koordinata p=(x,y) za sliku) histogram H(r) definisano po količini F(p) za vrijednost r u nizu R, funkcije F(p) definisano je:
  • Gdje je δ kroneker delta funkcija.
  • Formulom se predtsavlja da je cijelo područje promjenljivog r izmjereno u parametru granulacije b. Ovaj parametar se sad naziva bakit veličina.
  • Veća bakit veličina rezultuje u „ grubljem “ histogramu sa manjim dimenzijama, dok manja bakit veličina rezultira u „ nježnom“ histogramu sa većim dimenzijama.

Histogram je predstavljen kao jednodimenzionalan vektor, gdje je X-osaniz specifičnih količina , a Y-osa je učestalo ponavljanje informacija, mjereno za svaku vrednost u nizu specifičnih količina.

Histogram dijela slike

Npr , ako je data slika možemo koristiti vrijednost inteziteta slike kao specifičnu količinu, takođe možemo koristiti veličinu optičkog protoka slike kao specifičnu količinu.

slide12

POVEZANI VEKTORI

Povezani vektori

treba da spoje prostorne

informacije u histogram

histogram

dokazane tačke u svakoj komponeneti ( zvane bakit) vektora histograma dalje su podijeljene u dvije grupe.

Grupa tačaka podatka se definiše kao povezana ako su spojene da formiraju povezane komponente u prvobitnom području multimedijalnog podatka, s druge strane tačke podatka su definisane kao nepovezane

Povezane tačke podatka

Nepovezane tačke podatka

Povezani vektor je vektor gdje je svaka komponenta par brojeva totalnih povezanih tačaka podatka i broj totalnih nepovezanih tačaka podatka

Ako je regularni histogram predstavljen kao regularni vektor:

Onda će povezani vektor biti predstavljen kao vektor parova:

slide13

KORELOGRAMI

povezani vektori

Korelogrami su korak dalje u objedinjavanju prostornih informacija u funkcijama histograma.

Za datu specifičnu jedinicu multimedijalnog podatka, specijalnog modaliteta podatka, specifična veličina F(p) je definisana za tačku podatka p u ovoj jedinici i definisana je vrijednost udaljenosti k izmedju dvije tačke podatka u jedinici.Korelogram ove jedinice je definisan kao dvodimenzionalni matrix C, gdje svaka ćelija matrix-a C(i,j) posjeduje učestali zbir ovih jedinica za sve parove tačaka podatka p1 i p2 , kao F(p1)=i, F(p2)=j i d(p1,p2)=k, gdje je d( ) funkcija udaljenosti izmedju dvije tačke podatka.

slide14

KOEFICIJENT TRANSFORMACIJE FUNKCIJE

Matematičke promjene

Multimedijalni podatak je u suštini svaki zvuk. Kao digitalni zvuci, sve različite matematičke promjene mogu biti priložene njima, crtati ih iz njihovih prvobitnih područja u različite oblasti, koje se zovu učestale oblasti. Dakle koeficijent ovih promjena šifrira statističke raspodjele multimedijalnog podatka u svojim digitalnim područjima kao raspodjela energije u područjima učestalosti. Stoga, koeficijenti ovih promjena takođe se mogu koristiti kao funkcija za predstavljanje originalnog multimedijalnog podatka.

Furijeova transformacija promjena

Mala talasasta transformacija promjena

slide15

Furijeova transformacija promjena

Dat je jednodimenzionalni multimedijalni niz podataka i njegova Furijerova transformacija je definisana kao sljedeće:

F(u) su mape na polju učestalosti

Originalni niz f(x) može biti otkriven u potpunosti iz Furijeove suprotne transformacije:

Dok je f(x) prava funkcija F(u) postaje kompleksna funkcija. Prema ovim činjenicama F(u) može biti postavljeno u polarni koordinatni sistem kao dvije stvarne komponente, amplituda A(u) i faza ф(u)

Ako koristimo i A(u) i ф(u) kao cijele nizove za funkcije f(x), funkcije su jedinstvene. Mi skratimo niz A(u) za nekoliko tačaka, kao funkcije za f(x), pošto je ostatak nizova tačaka veoma blizu nuli, izuzev za nekoliko prvih tačaka.

u je promjenljiva u području učestalosti

Iako je f(x) uvijek predstavljen kao numerički niz, rezultirajuće funkcije koeficijenata A(u) i ф(u) su takođe posebni nizovi. U ovom slučaju rezultirajuća promjena se ustvari zove Discrete Fourier Transformation (diskretna Furijeova transformacija) DFT , gdje su A(u) i ф(u) posebni nizovi.

Prema tome ili A(u) ili ф(u) posebno ili zajedno se mogu koristiti kao odlike za originalni multimedijalni podatak f(x)

Statistička interpretacija ovog promjenljivog skraćivanja Furijeove transformacije je ta da prvih nekoliko nenultih tačaka A(u) daju ukratko izloženu globalnu statističku raspodjelu multimedijalnog podatka dok većina tačaka bliskih nuli uključuje mnogo lokalnih detalja originalnog podatka.

Prvih nekoliko tačaka A(u) ( odgovaraju nižoj u vrednosti) nazivaju se nisko-učestalim komponentama gdje je ostatak tačaka A(u) ( koje odgovaraju visokoj u vrednosti) nazivaju se visoko- učestale komponente.

slide16

Mala talasasta transformacija promjena

Dat je jednodimenzionalni multimedijalni podatak f(x) klasična talasasta transformacija definisana je :

a i b su dvije promjenljive da kontrolišu penjanje i pomijeranje transformacije

Talasasta promjena vodi istovremeno računa i o vremenu i o prostoru da bi se dobila mnogo moćnija i prilagodljivija promjena. Iz ova dva razloga, talasasta promjena može da sačuva , ne samo globalne informacije već i lokalne promjene kao dobar kandidat za predstavljanje funkcije.

Talasasta promjena dopušta da različite izvorne funkcije budu objedinjene u promjeni, dok se Furijeova promjena može posmatrati kao poseban slučaj talasaste promjene u smislu da se specifična eksponencijalna funkcija koristi kao izvorna funkcija

Talasaste promjene uključuju dvije promjenljive a i b koje istovremeno kontrolišu skalu i promjenu za transformisanje, jer skala reflektuje promjenu prostora , a promjena reflektuje promjenu vremena

Talasasta promjena se više prilagođava nego Furijeova promjena

slide17

GEOMETRIJSKE

FUNKCIJE

Geometrijske funkcije su tipično primjenljive u segmentovanim ili indetifikovanim objektima i jedinici multimedijalnog podatka specifičnog modela

Momenti

Neaktivni (inertni) koeficijenti

Furijeovi deskriptori

slide18

MOMENTI

FOURIJEOVI

DESKRIPTORI

NORMALIZOVANI

KOEFICIJENTI

INERCIJE

Ideja Furijeovog deskriptora je da od uzoraka kontura semantičkog objekta formira niz za uzorkovanje tačaka p1, p2, .., pn na konturi.

Furijeovi deskriptori mogu se koristiti samo ako je semantički objekat segmentiran iz multimedijalnih podataka

Normalizovani koeficijenti inercije su ustvari posebni slučajevi predstavljanja centralizovanih momenata.Pretpostavimo da segmentirani objekat u jedinici multimedija podataka ima oblast O, celokupni opis normalizovane inercije za objekat u jedinici multimedija podataka su cijeli nizovi sa redoslijed parametrom q:

Ako je objekat predstavljen kao matematička funkcija f(p) s tim da je koordinata vektor p (npr ako je objekat 1 D signal, p=x; ako je objekat 2 D signal, p= (x,y)T), momenti funkcije f(x) predstavljaju niz:

dr Zhang je predložio ideju je da se uprosti kontura objekta samo za one ''ključne'' tačke umjesto proizvoljne tačke ili jedinstvenog uzorka. Praktična definicija ''ključnih'' tačaka je da su to one sa visokim krivinama ili bez krivina.

Onda identifikujemo centar objekta O.

Umjesto formiranja nizova tačaka duž konture u Furijeovim deskriptorima, mi formiramo niz oblasti duž konture gdje je svaka oblast određena parom susjednih ''ključnih'' tačaka duž konture i centrom objekta.

onda niz tačaka može biti preobražen u Furijeovo područje učestalosti od strane Diskretne Furijeove Transformacije (DFT). Ovaj DFT niz se u literaturi naziva Furijeovi deskriptori. Prema tome, Furijeovi deskriptori se sastoje od dva niza, amplitude A (u) i faze Ф(u).

Vektor 1 je sve–jedinica-komponenta vektor,

1 = (1,1,...,1)T u istoj dimenziji kao od p.

pq su svi vektori, gdje svaka komponenta p uzima sve moguće nenegativne predstavnike q, nezavisno i odvojeno

Npr. ako je p dvodimenzionalni vektor, p= (x,y)T,

pq =

Vektor q se naziva redoslijed momenata.

Sekvenca područja koje formiraju područno-bazirani Furijeov deskriptor

gdje je p tačka objekta O, i p je centralna tačka objekta

Sekvenca continualnih linija koje formiraju Furijeov deskriptor

slide20

PREZENTACIJA SAZNANJA

Kao i svi ostali inteligentni sistemi, tipični multimedia data mining sistem je često opremljen sa komponentom podrške znanja da ''vodi'' pretraživanje zadataka.

Standardni tipovi znanja u komponentama podrške znanja uključuju:

Oblast znanja

Znanje zdravog razuma

Meta znanje

Kao generalne data mining aktivnosti, standardni multimedia data mining zadatak je da automatski otkrije znanje u specifičnom kontekstu

Metode predstavljanja znanja u multimedia data mining aplikacijama

Logičke prezentacije

Ramovi

Neodređene

prezentacije

Semantičke mreže

Ograničenja

slide22

Logičke prezentacije

Za ljudska bića, prirodni put za prestavljanje znanja je kroz prirodni jezik. Npr., u slikovitom data mining sistemu, ako želimo da ograničimo područje prirodnog predjela moramo da znamo sljedeće dijelove znanja:sve plave predjele koje uključuju nebo ili vodu.

Prirodni jezik

Kompjuteri

Ljudska bića

Logička prezentacija

Teško je , ako ne i nemoguće, da sistemi kompjutera skroz razumiju priirodni jezik. Efektivniji put da prirodni jezik bude razumljiv kompjuteru je da se koristi logička prezentacija.

Uobičajeno korišćena logika naziva se predikativna logika, i najpoznatija predikativna logika korišćena u litaraturi zove se iskazna logika prvog reda, obično skraćeno kao FOL.

slide23

Promjenjljive

– unarni operator

primijenjen ili promjenjljivoj ili predikatu, rezultirajući negacijom vrijednosti operanda. Ako operand ima vrijednost 1, operacija ima vrijednost 0, i obrnuto

O

P

E

R

A

T

O

R

I

U FOL-u sve promjenjljive su skup promjenjljivih u smislu da mogu uzeti bilo koju od urednosti skupa.

Npr. promjenjljiva X može biti definisana kao skup boja promjenjljivih, u kojima možemo eksplicitnije definisati X= {crvena, plava, bela}, i X može biti bilo koja od ove tri boje.

Λ binarni operator

primijenjen ili promjenjljivim ili predikatima: to je množenje između vrijednosti dva operanda. Operator vraća jedan ako i samo ako su obje vrijednosti dva operanda 1, i vraća 0 u protivnom.

Predikati

KVANTIFIKATORI

Egzistencijalni

kvantifikator

znači da tu postoji bar jedna vrijednost promjenljive kojoj ovaj kvantifikator pripada.

Univerzalni

kvantifikator

znači za sve vrijednosti promjenljive kojoj ovaj kvantifikator pripada

V drugi binarni operator

primijenjen ili promjenjljivim ili predikatima. Uzima dodatak između dvije vrijednosti dva operanda, zato, vraća 0 ako i samo ako oba operanda imaju vrijednost 0, a vraća 1 u protivnom

Sve funkcije u FOL nazivaju se predikati. Svi predikati u FOL su boolean predikati u smislu da samo mogu vratiti jednu ili dvije vrednosti: 0 za lažnu i 1 za istinitu

slide24

Gdje su plava(), nebo(), i voda() predikati, i → znači ''sadržati''

S obzirom na FOL, prirodno jezička rečenica - Sve plave oblasti su ili nebo ili voda, može biti predstavljena kao sljedeći FOL iskaz:

PRIMJERI

Rečenica prirodnog jezika – Neke plave oblasti su nebo, može biti predstavljena u sledećem FOL iskazu:

slide25

Semantičke mreže

koncept

veza

Predloženi su da koriste grafičke prikaze i literature, da predstave koncepte i njihove veze, u kojima su tačke presijecanja u grafičkim prikazima koncepti,a ivice u grafičkim prikazima su veze.

Grafički prikaz semantičke mreže jedigraf

Primjer semantičke mreže

slide26

Okviri

Okvir može imati ime isto kao i druge osobine koje imaju vrijednost; Te osobine se zovu slotovi.

Možemo razmišljati o okviru kao o mreži čvorova i veza.

Veći nivoi okvira su fiksirani, i predstavljaju stvari koje su uvek istinite za pretpostavljenu situaciju.

Niži nivoi imaju mnogo slotova, koji moraju biti ispunjeni posebnim primjerom podataka.

Svaki slot može navesti uslove čiji se argumenti moraju poklopiti . ( Sami zadaci su uglavnom manji pod – okviri).

slide27

Ograničenja

Ograničenje je uslov ili skup uslova koji ograničava opis objekta ili događaja

Ograničenje atributa

Prostorna ograničenja

Privremena ograničenja

Definišu karakteristike opisivanja multimedia objekata ili jedinice multimedia podataka ili događaja

Posebno naglašavaju prostorne uslove koji moraju biti istiniti između multimedia podataka predmeta ili događaja.

Posebno naglašavaju privremena ograničenja koja moraju biti istinita između multimedia podataka predmeta ili objekata ili događaja

Ljudsko lice u ovoj slici je muškarac sa crvenom kosom.

Broj crvene boje piksela na ovoj slici ne bi trebalo da je veći od 300

Osoba s lijeve strane Johna Smitha na ovoj slici je Harry Brown;

Stacionirano na severozapadnom uglu mape je sjedište ABC i obratiti pažnju na gornji desni ugao oblasti ovog videa.

John Smith se pojavljuje na nadzornom videu pre Harry Browna. Za vreme dok se John Smith pojavljuje na nadzornom videu, Harry Brown nakratko se pojavljuje i odmah nestaje

P R I M J E R I

slide28

Neodređene prezentacije

FUZZY logika

Teorija mogućnosti

slide29

Teorija mogućnosti

Neodređenosti u multimedia data mining mogu biti predstavljene u teoriji mogućnosti, ako znamo prethodne moguće raspodjele promenljivih u podatak.

U većini scenarija, ne možemo imati prethodno znanje.

U ovom slučaju, moramo napraviti pretpostavke za prethodno moguću raspodjelu (npr možemo pretpostaviti uniformnu prethodnu moguću raspodelu za promenljive)

slide30

FUZZY logika

U fuzzy logici, promenljive su opisane kao stepen istine, koji se tipično predstavljen kao fuzzy funkcija broja članova ili slična funkcija koja je mapirana u nizu koji sadrži [0,1]

Stepen istine je često pomješan sa mogućnošću koja je takođe mapirana u nizu koji sadrži [0,1]. U svakom slučaju, oni su zamišljeno različiti.

Fuzzy istina predstavlja broj članova u nejasno definisanom skupu, s obzirom na to da mogućnost određenog događaja ili uslova states determiniše verovatnoće.

Korišćenje fuzzy logike za predstavljanje fuzzy koncepta histograma u boji

Predstavljanje boje piksela slike je neobrađeno i neprecizno ako jednostavno ekstraktujemo boju funkcije piksela ka indeksu svake regije. Boja je jedna od glavnih osobina za diskriminisanje slike.

Originalna slika upita

Simbolička slika upitne slike, gdje svaki simbol predstavlja jedinstveno boju na slici.

Naučene zadnje vjerovatnoće koncepta slike zamka u odnosu na upitnu sliku.