NeuroMerge: an approach for merging heterogeneous features in content-based image retrieval systems

Sheikholeslami, Gholamhosein; Chatterjee, Surojit; Zhang, A.

doi:10.1109/mmdbms.1998.709516

Cited by 9 publications

(8 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…As a result, content-based similarity matching is often performed using single individual features. Since different features may place different degrees of importance or focus on different aspects of the original video data, the result of similarity matching may be different when different features are used in the single feature matching process although the underlying video data set is the same in every case [23,24]. A more robust strategy is to combine the features in a reasonable way.…”

Section: Introductionmentioning

confidence: 99%

“…The combination function for combining the feature vectors is another critical issue. Studies have already shown that the various features may not necessarily be linearly related [3,23,24]. Thus, a non-linear feature combination function should be incorporated in the similarity matching procedure.…”

Section: Introductionmentioning

confidence: 99%

“…Thus, a non-linear feature combination function should be incorporated in the similarity matching procedure. Artificial neural network (ANN) models are a good choice for effecting a non-linear combination of various features [2,23,24]. The input to the ANN is the set of measurements of individual image features and the output from the ANN is the similarity criterion that denotes the similarity of images.…”

Section: Introductionmentioning

confidence: 99%

“…The input to the ANN is the set of measurements of individual image features and the output from the ANN is the similarity criterion that denotes the similarity of images. Sheikholeslami et al [24] describe an ANN-based approach for merging heterogeneous features in the context of content-based image retrival. They consider the texture and color feature classes and use the back propagation algorithm with a single hidden layer to train the ANN.…”

Section: Introductionmentioning

confidence: 99%

See 3 more Smart Citations

Similarity Analysis of Video Sequences Using an Artificial Neural Network

Bhandarkar

Chen

2005

Appl Intell

View full text Add to dashboard Cite

Comparison of video sequences is an important operation in many multimedia information systems. The similarity measure for comparison is typically based on some measure of correlation with the perceptual similarity (or difference) amongst the video sequences or with the similarity (or difference) in some measure of semantics associated with the video sequences. In content-based similarity analysis, the video data are expressed in terms of different features. Similarity matching is then performed by quantifying the feature relationships between the target video and query video shots, with either an individual feature or with a feature combination. In this study, two approaches are proposed for the similarity analysis of video shots. In the first approach, mosaic images are created from video shots, and the similarity analysis is done by determining the similarities amongst the mosaic images. In the second approach, key frames are extracted for each video shot and the similarity amongst video shots is determined by comparing the key frames of the video shots. The features extracted include image histograms, slopes, edges, and wavelets. Both individual features and feature combinations are used in similarity matching using an artificial neural network. The similarity rank of the query video shots is determined based on the values of the coefficients of determination and the mean absolute error. The study reported in this paper shows that the mosaicbased similarity analysis can be expected to yield a more reliable result, whereas the key frame-based similarity analysis could be potentially applied to a wider range of applications. The weighted non-linear feature combination is shown to yield better results than a single feature for video similarity analysis. The coefficient of determination is shown to be a better criterion than the mean absolute error in similarity matching analysis.

show abstract

Section: Introductionmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

See 2 more Smart Citations

Similarity Analysis of Video Sequences Using an Artificial Neural Network

Bhandarkar

Chen

2005

Appl Intell

View full text Add to dashboard Cite

show abstract

“…Já [Shah et ah, 2004] faz uma avaliação a respeito da influência do dinamismo dos dados nas buscas por similaridades em imagens. A lógica nebulosa é utilizada nas funções de distância aplicadas por [Zhang & Zhang, 2003], enquanto que [Vasconcelos, 2004a] [Sheikholeslami et al, 1998, Lee, 2003, ou até mesmo a utilização de um conjunto desses classificadores [Skrypnik et ah, 1999]. [Rui et al, 1997].…”

Section: Cálculo De Propriedades Locaisunclassified

Formalização do domínio imagem para buscas por conteúdo em SGBDs relacionais

Figueiredo¹

View full text Add to dashboard Cite

AgradecimentosAos irmãos Daniela, Samuel, Raphael e Gabriela, e seus respectivos cônjuges Leonardo, Isabela, Lilian c Luís, que sempre estiveram prontos para ajudar nos momentos que precisei.Aos sobrinhos Tainá, Inaê, Lia, Jaci, Cauê e Théo, que tornam a família mais alegre. A vó Isabel, que demonstra força e alegria aos 96 anos. Ao vô Vicente que, aos 91 anos mostra que sempre temos de acreditar 110 futuro. Aos meus sogros, José Wilson e Silvia, pelo respeito e carinho que sempre demonstraram.Aos cumpadres, Fernando e Jéssica, pelo carinho e amizade. Ao Prof. Caetano Traina Jr, por acreditar em meu potencial e ser paciente. A "Titia" Marina T. P. Vieira, que me ajudou a dar os primeiros passos na área académica.Ao prof Mauro Biajiz, por sor um amigo o sempre estar disponível para troca de ideias e experiências.A profa Agma Traina por estar sempre por perto nos momentos que precisei. Ao Prof Paulo M. A. Marques pela sua receptividade e paciência nas explicações sobre as imagens Médicas.Aos amigos do GBDI (Grupo de Base de Dados e Imagens), que nessa fase mostraram companheirismo e amizade. Um agradecimento especial aos amigos Adriano e Marcos que mostram que a persistência é imprescindível para quem deseja o sucesso.Às funcionárias Beth, Laura c Ana Paula, da Secretaria de Pós-Graduação do ICMC-USP, por estarem sempre dispostas a ajudar.Ao pessoal do CHOPI (Centro Hospitalar de Pesquisas em Imagens) c do CCIM (Centro de Ciências das Imagens e Física Médica) da FMRP-USP (Faculdade de Medicina de Ribeirão Preto da Universidade de São Paulo), que mostraram muita simplicidade e amizade no curto período de convívio que tivemos.Aos amigos do DCC-UFMT (Departamento de Ciências da Computação da Universidade Federal do Mato Grosso), espero que nossas próximas caminhadas sejam duradouras e proveitosas. E por fim, aos Sombra e Corisco que sempre agem com alegria em suas brieadeiras, arranhadas, babadas, mordidas e bagunças. RESUMOSistemas de Recuperação de Imagens por Conteúdo (SiRICs) têm como objetivo realizar buscas em grandes colações de imagens, recuperando aquelas cujos conteúdos são mais similares à uma imagem fornecida como parte do predicado de busca. A similaridade 6 expressada por uma função de distância (dissimilaridade) que calcula a relação entre um par de imagens para permitir que ambas sejam comparadas. Funções de distância usam características extraídas de cada imagem por um conjunto dc algoritmos chamados extratores de características. Para melhorar o desempenho do processo de buscas, as características selecionadas são extraídas dc cada imagem 110 momento cm cada uma é armazenada 11a base de dados, criando um vetor de características para cada imagem. As operações subsequentes da busca são realizadas usando os vetores de características 110 lugar das imagens. Antes de extrair as características, outros algoritmos de processamento de imagem são utilizados para pre-processar cada imagem, de forma a prepará-la para os extratores. Adicionalmente, é comum a existência de vários critérios que podem ser conside...

show abstract

Bayesian Learning for Image Retrieva Using Multiple Features

Wang

Chan

2000

Intelligent Data Engineering and Automated Learning — IDEAL 2000. Data Mining, Financial Engineering, and Intelligent Agents

View full text Add to dashboard Cite

NeuroMerge: an approach for merging heterogeneous features in content-based image retrieval systems

Cited by 9 publications

References 12 publications

Similarity Analysis of Video Sequences Using an Artificial Neural Network

Similarity Analysis of Video Sequences Using an Artificial Neural Network

Formalização do domínio imagem para buscas por conteúdo em SGBDs relacionais

Bayesian Learning for Image Retrieva Using Multiple Features

Contact Info

Product

Resources

About