در هم سازی چند رسانه ای و شبکه بندی Multimedia Hashing and Networking
- نوع فایل : کتاب
- زبان : فارسی
- ناشر : آی تریپل ای IEEE
- چاپ و سال / کشور: 2016
توضیحات
چاپ شده در مجله چند رسانه ای – MultiMedia
رشته های مرتبط مهندسی فناوری اطلاعات و کامپیوتر، سیستم های چند رسانه ای، رایانش ابری، اینترنت و شبکه های گسترده و شبکه های کامپیوتری
هش چند رسانه ای ما به بررسی دو روش مختلف مرتبط با هش چند رسانه ای- هش مبتنی بر یادگیری سطحی و هش مبتنی بر یادگیری عمیق- پرداخته و فنون پیشرفته را برای ذخیره سازی چند رسانه ای، نمایه بندی و بازیابی ارایه می کنیم. هش کردن( در هم سازی) با یادگیری سطحی هشینگ توجه زیادی را از طرف محققان و متخصصان در زمینه کامپیوتر، یادگیری ماشینی، داده کاوی، بازیابی اطلاعات وسایر زمینه ها، جلب کرده است. طیف وسیعی از فنون درهم سازی و هشینگ برای کد گذاری اسناد، تصاویر، ویدئو و سایر انواع داده ها به مجموعه ای از کد های دو دویی توسعه یافته است، که موجب حفظ تشابهات در میان داده های اولیه می شود. با این کد های دو دویی، جست و جو های تشابه را می توان در دیتاست ها به دلیل کارایی بالای مقایسه زوجی با استفاده از فاصله همینگ انجام داد. تلاش های اولیه در هشینگ، بر استفاده از تغییرات تصادفی در ساخت دستورات هش متمرکز بوده است. معرف ها و نمونه های شناخته شده نظیر هشینگ حداقل و هشینگ حساس به محل وجود داشته است. مینهش، تشابه جاکارد را براورد کرده است در حالی که LSH، متریک های تشابه و فواصل مختلف را در نظر می گیرد نظیر فاصله برای ، تشابه کوسینوس و تشابه هسته ای. به دلیل هشینگ تصادف، بیت های بیشتری در هر جدول هش یا درهم سازی برای دست یابی به دقت بالا نیاز است. این معمولا موجب کاهش فراخوانی شده و از این روی جداول درهم سازی برای دست یابی به صحت بالای نزدیک ترین همسایه بازیابی شده نیاز است. تعداد کل بیت های هش مورد استفاده در یک زمینه را می توان تا هزار ، تخمین زد. در فراتر از طرح های هشینگ تصادفی مستقل از داده ها، یک روند اخیر در یادگیری ماشینی، توسعه فنون هشینگ وابسته به داده ها است تا یک مجموعه از کد های هش فشرده بر اساس مجموعه داده های آموزشی یاد گرفت. کد های دو دویی در این سناریو به دلیل سادگی و صحت محاسبه، محبوب بوده است.طرح هشینگ فشرده می تواند به جست و جوی نزدیک ترین همسایه پس از کد گذاری کامل مجموعه داده ها در کد های دو دویی کوتاه و ترکیب آن ها به یک جدول در هم سازی کمک کند. به علاوه، هشینگ فشرده برای ذخیره داده های بزرگ مقیاس اهمیت بسیار دارد. برای مثال، حفظ صد میلیون نمونه هر کدام با ۱۰۰ بیت دو دویی، هزینه کم تر از ۱٫۵ گیگابایت را دارد و به آسانی در حافظه قرار می گیرد. برای ایجاد کد های هش فشرده موثر، روش های مختلف نظارت شده و نظارت نشده ارایه شده اند. روش هشینگ نظارت نشده پیشرفته، موسوم به هش گراف گسسته، از مفهوم گراف های تکیه کاه برای پوشش دادن ساختار همسایه در یک دیتا ست گر.وهی استفاده کرده و سپس یک مدل هشینک مبتنی بر گراف را در کل دیتاست فرموله می کند. این مدل منوط به روش های بهینه سازی گسسته جدید برای دست یابی به بیت های هش غیر همبتسه است.روش DGH عملکرد بهتری از روش های هشینگ نظارت نشده نظیر کمی سازی تکراری، هشینگ طیفی و هشینگ کراف داردو به این ترتیب قادر به پوشش دادن همسایه داده های خام در فضای کد گسسته خواهد بود روش هشینگ نظارت شده پیشرفته، هشینگ گسسته نظارت شده،از اطلاعات برچسب نظارت شده استفاده کرده و هشینگ را از حیث طبقه بندی خطی، فرموله می کند که در آن کد های دو دویی یادگرفته شده برای طبقه بندی بهینه هستند. SDH از روش بهینه سازی مشترک استفاده می کند که به طور مشترک قادر به یادگیری دسته بند های خطی و دو دویی است. روش SDH عملکرد بهتری از روش های هشینگ نظارت شده قبلی دارد بسیاری از روش های هشینگ جالب دیگر نظیر هشینگ سند، ویدئو، داده های ساختار مند و بین رسانه ای وجود دارد. توجه کنید که همه روش ها بستکی به الگوریتم های یادگیری سطحی دارد. با این وجود، به دلیل سرعت بالای هشینگ مبتنی بر یادگیری سطحی، فنون هشینگ پیشرفته به طور گسترده در حافظه چند رسانه ای، نمایه بندی، و بازیابی به خصوص در شرایط چند رسانه ای در ابزار های تلفن همراه استفاده می کنند. چندین شرکت نظیر اسنپ چت، پینترست، سنس تایم و فیس++ از فنون هشینگ مناسب برای مدیریت و جست و جو از طریق میلیون ها یا میلیارد ها تصویر استفاده می کنند
رشته های مرتبط مهندسی فناوری اطلاعات و کامپیوتر، سیستم های چند رسانه ای، رایانش ابری، اینترنت و شبکه های گسترده و شبکه های کامپیوتری
هش چند رسانه ای ما به بررسی دو روش مختلف مرتبط با هش چند رسانه ای- هش مبتنی بر یادگیری سطحی و هش مبتنی بر یادگیری عمیق- پرداخته و فنون پیشرفته را برای ذخیره سازی چند رسانه ای، نمایه بندی و بازیابی ارایه می کنیم. هش کردن( در هم سازی) با یادگیری سطحی هشینگ توجه زیادی را از طرف محققان و متخصصان در زمینه کامپیوتر، یادگیری ماشینی، داده کاوی، بازیابی اطلاعات وسایر زمینه ها، جلب کرده است. طیف وسیعی از فنون درهم سازی و هشینگ برای کد گذاری اسناد، تصاویر، ویدئو و سایر انواع داده ها به مجموعه ای از کد های دو دویی توسعه یافته است، که موجب حفظ تشابهات در میان داده های اولیه می شود. با این کد های دو دویی، جست و جو های تشابه را می توان در دیتاست ها به دلیل کارایی بالای مقایسه زوجی با استفاده از فاصله همینگ انجام داد. تلاش های اولیه در هشینگ، بر استفاده از تغییرات تصادفی در ساخت دستورات هش متمرکز بوده است. معرف ها و نمونه های شناخته شده نظیر هشینگ حداقل و هشینگ حساس به محل وجود داشته است. مینهش، تشابه جاکارد را براورد کرده است در حالی که LSH، متریک های تشابه و فواصل مختلف را در نظر می گیرد نظیر فاصله برای ، تشابه کوسینوس و تشابه هسته ای. به دلیل هشینگ تصادف، بیت های بیشتری در هر جدول هش یا درهم سازی برای دست یابی به دقت بالا نیاز است. این معمولا موجب کاهش فراخوانی شده و از این روی جداول درهم سازی برای دست یابی به صحت بالای نزدیک ترین همسایه بازیابی شده نیاز است. تعداد کل بیت های هش مورد استفاده در یک زمینه را می توان تا هزار ، تخمین زد. در فراتر از طرح های هشینگ تصادفی مستقل از داده ها، یک روند اخیر در یادگیری ماشینی، توسعه فنون هشینگ وابسته به داده ها است تا یک مجموعه از کد های هش فشرده بر اساس مجموعه داده های آموزشی یاد گرفت. کد های دو دویی در این سناریو به دلیل سادگی و صحت محاسبه، محبوب بوده است.طرح هشینگ فشرده می تواند به جست و جوی نزدیک ترین همسایه پس از کد گذاری کامل مجموعه داده ها در کد های دو دویی کوتاه و ترکیب آن ها به یک جدول در هم سازی کمک کند. به علاوه، هشینگ فشرده برای ذخیره داده های بزرگ مقیاس اهمیت بسیار دارد. برای مثال، حفظ صد میلیون نمونه هر کدام با ۱۰۰ بیت دو دویی، هزینه کم تر از ۱٫۵ گیگابایت را دارد و به آسانی در حافظه قرار می گیرد. برای ایجاد کد های هش فشرده موثر، روش های مختلف نظارت شده و نظارت نشده ارایه شده اند. روش هشینگ نظارت نشده پیشرفته، موسوم به هش گراف گسسته، از مفهوم گراف های تکیه کاه برای پوشش دادن ساختار همسایه در یک دیتا ست گر.وهی استفاده کرده و سپس یک مدل هشینک مبتنی بر گراف را در کل دیتاست فرموله می کند. این مدل منوط به روش های بهینه سازی گسسته جدید برای دست یابی به بیت های هش غیر همبتسه است.روش DGH عملکرد بهتری از روش های هشینگ نظارت نشده نظیر کمی سازی تکراری، هشینگ طیفی و هشینگ کراف داردو به این ترتیب قادر به پوشش دادن همسایه داده های خام در فضای کد گسسته خواهد بود روش هشینگ نظارت شده پیشرفته، هشینگ گسسته نظارت شده،از اطلاعات برچسب نظارت شده استفاده کرده و هشینگ را از حیث طبقه بندی خطی، فرموله می کند که در آن کد های دو دویی یادگرفته شده برای طبقه بندی بهینه هستند. SDH از روش بهینه سازی مشترک استفاده می کند که به طور مشترک قادر به یادگیری دسته بند های خطی و دو دویی است. روش SDH عملکرد بهتری از روش های هشینگ نظارت شده قبلی دارد بسیاری از روش های هشینگ جالب دیگر نظیر هشینگ سند، ویدئو، داده های ساختار مند و بین رسانه ای وجود دارد. توجه کنید که همه روش ها بستکی به الگوریتم های یادگیری سطحی دارد. با این وجود، به دلیل سرعت بالای هشینگ مبتنی بر یادگیری سطحی، فنون هشینگ پیشرفته به طور گسترده در حافظه چند رسانه ای، نمایه بندی، و بازیابی به خصوص در شرایط چند رسانه ای در ابزار های تلفن همراه استفاده می کنند. چندین شرکت نظیر اسنپ چت، پینترست، سنس تایم و فیس++ از فنون هشینگ مناسب برای مدیریت و جست و جو از طریق میلیون ها یا میلیارد ها تصویر استفاده می کنند
Description
We explore two different methodologies related to multimedia hashing—shallow-learning-based hashing and deep-learning-based hashing— demonstrating state-of-the-art techniques for enabling efficient multimedia storage, indexing, and retrieval.
