콘텐츠 기반 이미지 검색: 시각적 데이터베이스 잠금 해제

By Fouad Sabry

콘텐츠 기반 이미지 검색이란 무엇입니까?

이미지 콘텐츠별 쿼리 및 CBVIR(콘텐츠 기반 시각적 정보 검색)이라고도 알려진 콘텐츠 기반 이미지 검색은 대규모 데이터베이스에서 디지털 이미지를 검색하기 어려운 이미지 검색 문제에 컴퓨터 비전 기술을 적용한 것입니다. . 이 기술의 다른 이름으로는 콘텐츠 기반 시각적 정보 검색이 있습니다. 기존의 개념 기반 방법과 달리 콘텐츠 기반 사진 검색은 최근 개발되었습니다.

당신이 얻을 수 있는 혜택

(I) 다음 주제에 대한 통찰력 및 검증:

1장: 콘텐츠 기반 이미지 검색

2장: 정보 검색

3장: 이미지 검색

4장: 자동 이미지 주석

5장: 태그 클라우드

6장: 비디오 검색 엔진

7장: 이미지 정리

8장: 이미지 메타 검색

9장: 역이미지 검색

10장: 시각적 검색 엔진

(II) 콘텐츠 기반 이미지 검색에 관한 대중의 주요 질문에 답변합니다.

(III) 다양한 분야에서 콘텐츠 기반 이미지 검색 사용에 대한 실제 사례.

이 책은 누구를 위한 책인가

전문가, 학부 및 대학원생, 매니아, 취미생활자 및 모든 종류의 콘텐츠 기반 이미지 검색에 대한 기본 지식이나 정보를 넘어서기를 원하는 사람들.

• Language: 한국어
• Publisher: 10 억 지식이 걸립니다 [Korean]
• Release date: May 9, 2024

Book preview

1장: 콘텐츠 기반 이미지 검색

컴퓨터 비전 기술을 사용하여 콘텐츠 기반 이미지 검색(QBIC(Query by Image Content) 및 CBVIR(Content-based Visual Information Retrieval)이라고도 함)은 대규모 데이터베이스에서 디지털 이미지를 검색하는 문제를 해결합니다(CBIR 분야에 대한 과학적 개요는 이 설문 조사 참조). 기존의 개념 기반 접근 방식은 콘텐츠 기반 이미지 검색에 의해 도전을 받습니다(개념 기반 이미지 인덱싱 참조).

이미지를 검색할 때 콘텐츠 기반은 검색이 키워드, 태그 또는 설명과 같은 메타데이터가 아니라 이미지 자체를 기반으로 한다는 것을 의미합니다. 색상, 모양, 질감 및 이미지에서 추정할 수 있는 기타 정보는 모두 이러한 의미에서 콘텐츠의 예입니다. 메타데이터 전용 검색은 주석 품질과 완전성에 크게 의존하기 때문에 CBIR이 매우 바람직합니다.

사람이 키워드 또는 메타데이터가 있는 대규모 데이터베이스에서 이미지에 수동으로 주석을 다는 것은 여전히 원하는 모든 키워드를 캡처하지 못할 수 있는 시간 소모적인 프로세스일 수 있습니다. 키워드 이미지 검색의 효과를 측정하는 방법은 명확하게 정의되지 않았습니다. 마찬가지로 CBIR 시스템은 성공을 정의하려고 할 때 어려움에 직면합니다.

일본 전기 기술 연구소의 엔지니어인 Toshikazu Kato는 1992년에 콘텐츠 기반 이미지 검색이라는 용어를 만들어 그 안의 색상과 모양을 분석하여 데이터베이스에서 이미지를 자동으로 검색할 수 있는 시스템에 대한 자신의 작업을 설명한 것으로 알려져 있습니다.

IBM의 QBIC은 최초로 상용화된 CBIR 시스템(Query By Image Content)이었습니다.

메타데이터 기반 시스템에는 고유한 한계가 있고 효율적인 이미지 검색이 다양한 용도로 사용될 수 있기 때문에 CBIR에 대한 관심이 높아졌습니다. 기존 기술을 사용하면 이미지에 대한 텍스트 정보를 간단하게 검색할 수 있지만 이 방법을 사용하려면 사람이 데이터베이스의 각 이미지를 수동으로 설명해야 합니다. 매우 큰 데이터베이스 또는 자동으로 생성된 이미지(예: 감시 카메라의 이미지)의 경우 이는 비실용적일 수 있습니다. 여러 동의어로 설명된 이미지도 눈에 띄지 않을 수 있습니다. 고양이를 동물의 하위 클래스로 취급하는 의미 체계 이미지 분류 시스템은 잘못된 분류 문제에 영향을 받지 않지만, 사용자가 고양이일 수 있지만 대신 동물로 레이블이 지정된 이미지를 찾는 데 더 많은 노력을 기울이게 만듭니다. 수많은 이미지 분류 표준이 있지만 모두 크기 조정 및 오분류 문제로 어려움을 겪고 있습니다.

CBIR 시스템의 확산에도 불구하고 픽셀 콘텐츠를 기반으로 이미지를 검색하는 문제는 2006년까지만 해도 만족스럽게 해결되지 않았습니다.

다양한 CBIR 구현 및 쿼리 방법은 다양한 사용자 쿼리 형식을 사용합니다.

이 쿼리 방법을 QBE 또는 Query By Example이라고 합니다.

시스템을 학습하는 데 사용할 수 있는 이미지의 예는 다음과 같습니다.

사용자가 제공하거나 임의로 선택한 기존 이미지가 사용됩니다.

사용자는 원하는 이미지를 낙서한 스케치를 만들며, 이는 광범위한 색상 스트로크 또는 몇 가지 기본 모양에서만 유사할 수 있습니다.

이 쿼리 방법은 텍스트만 사용하여 시각적 콘텐츠를 설명하려고 할 때 발생할 수 있는 문제를 제거합니다.

에이브러햄 링컨 이미지 찾기와 같은 사용자 생성 쿼리는 의미 체계 검색의 기초 역할을 합니다. 컴퓨터는 이러한 종류의 구조화되지 않은 작업에 큰 어려움을 겪습니다. 링컨이 항상 카메라를 바라보거나 같은 포즈를 취하는 것은 아닐 수 있습니다. 결과적으로 질감, 색상 및 모양은 CBIR 시스템에서 자주 사용됩니다. 조건을 더 쉽게 입력할 수 있는 인터페이스가 이러한 기능과 함께 사용되거나 기능(예: 얼굴, 지문 또는 모양 일치)과 일치하도록 이미 학습된 데이터베이스가 사용됩니다. 그러나 추상적인 개념을 인식하기 위해 이미지 검색에는 일반적으로 사람의 입력이 필요합니다.

다양한 CBIR 검색 기술을 다양한 사용자 및 의도와 결합하는 것은 어려울 수 있습니다. 사용자의 의도를 추론하는 능력은 CBIR의 성공에 매우 중요합니다.

CBIR에서 기계 학습 및 반복 방법의 사용이 증가하고 있습니다.

앞서 언급한 방법 외에도 다중 모드 쿼리,