Automatic image annotation
http://dbpedia.org/resource/Automatic_image_annotation an entity of type: WikicatApplicationsOfComputerVision
图像自动标注是由计算机系统自动通过或关键词的形式分配元数据给一张数字图像的过程。这个计算机视觉技术的应用被用在图像检索系统来对数据库组织和定位感兴趣的图像。 这种方法可以被看作是一种具有非常大量类别（有词汇量那么大）的多元分类的图像分类问题。通常，提取特征向量和训练标注单词的图像分析使用机器学习技术来尝试对新图像自动标注标签。刚开始的方法学习图像的特征和训练标签之间的相关性，之后技术发展为使用机器翻译尝试翻译带“视觉词汇”的文本词汇，或聚集区域blobs。遵循这些努力的工作包括分类方法、相关模型等。 与基于内容的图像检索相比，自动图像标注的优点是，查询可以由用户更自然地指定[1]。基于内容的图像检索通常（目前）需要用户去通过图像的概念进行搜索，如颜色和纹理，或查找示例查询。在示例图像中的某些图像特征可能会覆盖用户真正关注的概念。图像检索的传统方法，如被库使用的，依赖于手动标注的图像，而这是昂贵和费时的，尤其是给定大量不断增长的图像数据库。 有些标注引擎是在线的，其中包括宾夕法尼亚州立大学研究人员开发的ALIPR.com实时标记引擎和Behold图像搜索。
rdf:langString
Automatic image annotation (also known as automatic image tagging or linguistic indexing) is the process by which a computer system automatically assigns metadata in the form of captioning or keywords to a digital image. This application of computer vision techniques is used in image retrieval systems to organize and locate images of interest from a database.
rdf:langString
L'annotation automatique d'images est le procédé par lequel un système informatique assigne automatiquement une légende ou des mots clés à une image numérique. Cette application des techniques issues de la vision par ordinateur est utilisée dans les systèmes de recherche d'images pour organiser et retrouver des images d'intérêts dans une base de données.
rdf:langString
Автоматическая аннотация изображения (также известна как автоматическая маркировка изображений или лингвистическая индексация) — процесс, с помощью которого компьютерная система автоматически назначает метаданные в виде титров или ключевых слов для цифрового изображения. Это применение методов компьютерного зрения используется в системах поиска изображений для организации и поиска изображений из базы данных, представляющих интерес.
rdf:langString
rdf:langString
Automatic image annotation
rdf:langString
Annotation automatique d'images
rdf:langString
Автоматическая аннотация изображения
rdf:langString
图像自动标注
xsd:integer
1931185
xsd:integer
1123637503
rdf:langString
November 2022
rdf:langString
long and multiline format
rdf:langString
Automatic image annotation (also known as automatic image tagging or linguistic indexing) is the process by which a computer system automatically assigns metadata in the form of captioning or keywords to a digital image. This application of computer vision techniques is used in image retrieval systems to organize and locate images of interest from a database. This method can be regarded as a type of multi-class image classification with a very large number of classes - as large as the vocabulary size. Typically, image analysis in the form of extracted feature vectors and the training annotation words are used by machine learning techniques to attempt to automatically apply annotations to new images. The first methods learned the correlations between image features and training annotations, then techniques were developed using machine translation to try to translate the textual vocabulary with the 'visual vocabulary', or clustered regions known as blobs. Work following these efforts have included classification approaches, relevance models and so on. The advantages of automatic image annotation versus content-based image retrieval (CBIR) are that queries can be more naturally specified by the user. CBIR generally (at present) requires users to search by image concepts such as color and texture, or finding example queries. Certain image features in example images may override the concept that the user is really focusing on. The traditional methods of image retrieval such as those used by libraries have relied on manually annotated images, which is expensive and time-consuming, especially given the large and constantly growing image databases in existence.
rdf:langString
L'annotation automatique d'images est le procédé par lequel un système informatique assigne automatiquement une légende ou des mots clés à une image numérique. Cette application des techniques issues de la vision par ordinateur est utilisée dans les systèmes de recherche d'images pour organiser et retrouver des images d'intérêts dans une base de données. Cette méthode peut être considérée comme un type de d'images multi-classe avec un très grand nombre de classes - de la taille du vocabulaire utilisé.Typiquement, l'image est d'abord analysée par l'extraction de vecteurs de descripteurs, et les mots pour l'apprentissage de l'annotation sont utilisés avec des techniques d'apprentissage automatique pour pouvoir affecter automatiquement des annotations à de nouvelles images.Les premières méthodes dans le domaine apprenaient les corrélations entre les descripteurs d'images et les annotations, puis des techniques utilisant des méthodes issues de la traduction automatique ont vu le jour, permettant de faire une traduction entre le vocabulaire textuel, et ce qu'on considérait comme un vocabulaire visuel, où chaque mot serait un groupe de régions similaires, obtenues par regroupement (clustering).D'autres travaux utilisent par exemple des approches de classification ou des modèles de pertinences. Les avantages de l'annotation automatique d'images par rapport à la recherche d'image par le contenu (CBIR) sont que les requêtes peuvent être spécifiées plus naturellement par l'utilisateur, sous forme de requête textuelle. Dans les systèmes de CBIR, l'utilisateur doit rechercher les images par des concepts tels que la couleur ou la texture, ou alors doit donner une image exemple pour laquelle il souhaite trouver des images similaires.Les méthodes traditionnelles de recherche d'images, telles que celles utilisées par les documentalistes, reposent fortement sur les annotations manuelles d'images, ce qui est très coûteux en temps et en argent, et devient impossible étant donné la taille et la croissance des bases de données d'images actuellement existantes.
rdf:langString
图像自动标注是由计算机系统自动通过或关键词的形式分配元数据给一张数字图像的过程。这个计算机视觉技术的应用被用在图像检索系统来对数据库组织和定位感兴趣的图像。 这种方法可以被看作是一种具有非常大量类别（有词汇量那么大）的多元分类的图像分类问题。通常，提取特征向量和训练标注单词的图像分析使用机器学习技术来尝试对新图像自动标注标签。刚开始的方法学习图像的特征和训练标签之间的相关性，之后技术发展为使用机器翻译尝试翻译带“视觉词汇”的文本词汇，或聚集区域blobs。遵循这些努力的工作包括分类方法、相关模型等。 与基于内容的图像检索相比，自动图像标注的优点是，查询可以由用户更自然地指定[1]。基于内容的图像检索通常（目前）需要用户去通过图像的概念进行搜索，如颜色和纹理，或查找示例查询。在示例图像中的某些图像特征可能会覆盖用户真正关注的概念。图像检索的传统方法，如被库使用的，依赖于手动标注的图像，而这是昂贵和费时的，尤其是给定大量不断增长的图像数据库。 有些标注引擎是在线的，其中包括宾夕法尼亚州立大学研究人员开发的ALIPR.com实时标记引擎和Behold图像搜索。
rdf:langString
Автоматическая аннотация изображения (также известна как автоматическая маркировка изображений или лингвистическая индексация) — процесс, с помощью которого компьютерная система автоматически назначает метаданные в виде титров или ключевых слов для цифрового изображения. Это применение методов компьютерного зрения используется в системах поиска изображений для организации и поиска изображений из базы данных, представляющих интерес. Этот метод можно рассматривать как тип многоклассовой классификации изображений с очень большим количеством классов — размер сопоставим со словарным запасом. Обычно анализ изображений в виде извлеченных векторов признаков и обучающих слов аннотации используются техниками машинного обучения, чтобы попытаться автоматически применять аннотации к новым изображениям. Первые методы изучали корреляции между характеристиками изображения и обучающими аннотациями, затем были разработаны методы с использованием машинного перевода, чтобы попытаться перевести текстовый словарь с «визуальным словарем» или кластеризованными областями, известными как блобы. Работа после этих усилий включала в себя классификационные подходы, модели релевантности и так далее. Преимущества автоматической аннотации изображения по сравнению с контентным поиском изображения (CBIR) заключаются в том, что запросы могут быть более естественно заданы пользователем. CBIR обычно (в настоящее время) требует, чтобы пользователи выполняли поиск по таким понятиям изображения, как цвет и текстура, или находили примеры запросов. Некоторые функции изображений в примерах изображений могут отвергать концепцию, на которой действительно сосредоточен пользователь. Традиционные методы поиска изображений основаны на изображениях, помеченных вручную, что является дорогостоящим и трудоемким процессом, особенно с учетом больших и постоянно растущих существующих баз данных изображений. Некоторые движки подключены к сети Интернет, в том числе механизм маркировки в реальном времени, разработанный исследователями из Университета штата Пенсильвания и Behold. Такие компании, как Playment, Edgecase.ai, Microsoft VOTT.ai и dataloop.ai создали встроенные автоматические движки для аннотирования видео. Компании, такие как Alegion.com, Infolks, DataPure.co, Scaleapi.com, Diffgram.com, Figure-eight.com предлагают комбинацию автоматической аннотации изображений с комбинацией ручного обзора при сбое автоматизации.
xsd:nonNegativeInteger
18308
