Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Effiziente Suche in Bilddatenbanken. 1. Wieso nicht lineare Suche? sinnige Datenbanken haben 100+ Bilder kleine Referenzbilder (640*480) 1000+ keys im.

Ähnliche Präsentationen


Präsentation zum Thema: "Effiziente Suche in Bilddatenbanken. 1. Wieso nicht lineare Suche? sinnige Datenbanken haben 100+ Bilder kleine Referenzbilder (640*480) 1000+ keys im."—  Präsentation transkript:

1 Effiziente Suche in Bilddatenbanken

2 1. Wieso nicht lineare Suche? sinnige Datenbanken haben 100+ Bilder kleine Referenzbilder (640*480) keys im Schnitt die Dimension eines keys ist 128 bei 1120*840 sind es keys im Schnitt => Lineare Suche dauert bei 100 größern Bildern 1 Stunde und mehr Nearest Neighbour Abstandsmaß: Euklidscher Abstand

3 2. Was haben wir gemacht? Aufbau eines KD-Baumes Nearest Neighbour Suche auf dem KD-Baum Beschleunigung der Suche mittels einer Heuristik Auswertungen und Messungen Optimierung mittels BestBinFirst Binärbaum mit bucketsize an Elementen in einem Blatt

4 3.1 Aufbau des KD-Baum 1. Berechne die Varianz aller Keys in jeder Dimension 2. Wähle die Dimension mit der größten Varianz 3. Sortier über die Dimension und ermittle den Median 4. Teile die Keymenge durch einen Knoten am Median, vermerke Median und Dimension im Knoten 5. Wiederhole die Schritte für die Söhne bis nur noch bucketsize oder weniger keys existieren 6. Erstelle ein Blatt, in das die übrig Keys gepackt werden

5 3.2 Übersicht KD-Baum... KD-Tree Blatt: bucketsize an keys Innerer Knoten: Median Dimension

6 3.3 Aufbau an einem Beispiel 3,3 0,3 0,1 Gegeben:

7 4.1 Nearest Neighbour Suche im KD-Baum Betrachte den nächsten Knoten und entscheide anhand der Dimension und des Median ob nach links oder rechts abgestiegen wird 1. Solange man nicht in einem Blatt ist: 2. Im Blatt angekommen: Berechne den Abstand zu allen Keys, merke dir den minimalen Abstand und den dazu passenden Key

8 3.a. ist er kleiner gleich dem Median, so wandere den Teilbaum herunter 3.b ist er größer wandere weiter hoch 4. Ist man in der Wurzel angekommen und muss nicht mehr runterklettern ist man fertig 4.2 Nearest Neighbour Suche im KD-Baum 3. Kletter den Baum wieder hoch und check bei jedem Knoten auf dem Weg nach oben, ob der Abstand in der Dimension zum Median kleiner gleich dem bis dato kleinsten Abstands ist

9 5.1 Lowe-Heuristik Heuristik: Besuche maximal n Blätter => maximal n*bucketsize an Vergleichen => Man ist auf konstante Zeit runter, aber man macht viele Fehler

10 5.2 Beispielsuche mit NN Nearest Neighbour von: Nearest Neighbour: Distanz: uninteressant 3,3 0,30,1 mit hlowe = 2, wäre hier Ende Fertig !!

11 6.1 Best Bin First 1. Merke dir beim Herunterwandern den Abstand zu jedem Knoten den Du besucht hast 2. Besuche beim Herraufwandern immer erst den Knoten mit dem kleinsten Abstand

12 6.2 Beispielsuche mit BBF 3,3 0,30,1 Nearest Neighbour von: Nearest Neighbour: Distanz: Mit hlowe = 2 => Fertig !

13 7. Laufzeiten NN auf KD-Tree für kleine Dimensionen O(n log(n)) NN auf KD-Tree für große Dimensionen O(n) NN mit hlowe auf KD-Tree O(const) BBF mit hlowe auf KD-Tree O(const) Laufzeiten: Suche nach ca Keys auf einer Datenbankt mit ca Keys: Linear&NN etwa 60min NN/BBF mit hlowe: hlowe: Zeit:(ca.)60min2.5sek1 min6 min12 min24 min => Linear in Anzahl an Keys, der Keys Datenbank und hlowe

14 8. Genauigkeit Referenz: Linearesuche NN/BBF mit hlowe: hlowe: NN:-80%50%35%25%15% BBF-65%25%10%5%3% Zeit:(ca.)60min2.5sek1 min6 min12 min24 min Beobachtung: wenn nur Bilder gematched werden sollen reicht hlowe 100 ansonsten BBF&hlowe + Linearesuche auf dem Match (< 1% Bild-Fehlzuweisungen)

15 Danke fürs zuhören ! Quelle: Distinctive image features from scale-invariant keypoints by David G. Lowe, International Journal of Computer Vision, 60, 2 (2004), pp


Herunterladen ppt "Effiziente Suche in Bilddatenbanken. 1. Wieso nicht lineare Suche? sinnige Datenbanken haben 100+ Bilder kleine Referenzbilder (640*480) 1000+ keys im."

Ähnliche Präsentationen


Google-Anzeigen