Sebastian Loose DPF – A Perceptual Distance Function for Image Retrieval Proseminar SS 2005 Distanzen und Ähnlichkeitsmaße im Hochdimensionalem Raum
DPF von Sebastian Loose Gliederung Motivation und Idee Ausgangspunkt –Minkowski Metric –Gewichtete Minkowski Metric DPF – dynamic partial distance function –Grundlegende Überlegungen –dynamic partial distance function –Leistungstests 1 / 8
DPF von Sebastian Loose Motivation und Idee Bisher: Features Idee: Clustering in Feature Space Ziel: ähnliche Bilder nah beieinander zu halten Jetzt: Distanzfunktion 2 / 8
DPF von Sebastian Loose Ausgangspunkt Minkowski Metric Je kleiner die Distanz, so ähnlicher sind sich die Bilder Nachteil: Es wird davon ausgegangen, dass Ähnlichkeit in allen Dimensionen besteht 3 / 8
DPF von Sebastian Loose Ausgangspunkt Problem: Gewichtete Minkowski Metric statischer Gewichtungsvektor Ähnlichkeit in gleichen Merkmalen 4 / 8
DPF von Sebastian Loose DPF – dynamic partial distance function δ i = |x i – y i | Merkmalsdistanz beim i‘ten Merkmal Normalisiert Grundlegende Überlegungen 5 / 8
DPF von Sebastian Loose DPF – dynamic partial distance function 6 / 8
DPF von Sebastian Loose DPF – dynamic partial distance function Δ m = {die kleinsten m δ‘s von {δ 1 …δ p }} Δ m Wechselt beim vergleich unterschiedlicher Bilder Dynamik 7 / 8
DPF von Sebastian Loose DPF – dynamic partial distance function Leistungstest in 2 Phasen: Training –um optimal Größe von „m“ zu finden Testing – um Leistung zu testen 8 / 8