KaydedilenlerDerginizi ekleyin

Dergiler / Veri Bilimi / 2026 / Cilt: 7 Sayı: 1

Anlamsal Boşluk Doldurulmasında Derin Öğrenme Yöntemlerinin Kullanılması Üzerine Bir İnceleme

A Review on Using Deep Learning Techniques to Bridge The Semantic Gap

İbrahim Ali Metin(ÇANAKKALE ONSEKİZ MARK ÜNİVERSİTESİ, LİSANSÜSTÜ EĞİTİM ENSTİTÜSÜ, BİLGİSAYAR MÜHENDİSLİĞİ (DR))0000-0002-4404-7244
Bahadir Karasulu(ÇANAKKALE ONSEKİZ MART ÜNİVERSİTESİ)0000-0001-8524-874X
Sayfa
54–62
Yayın Tarihi
2024-06-30
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bilimsel tartışmaya da yer verilmektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Anlamsal boşluk kavramı, makineler aracılığıyla veriden elde edilen temel renk, doku ve şekil gibi özniteliklerle insan tarafından aynı veriye bakıldığında algı yoluyla tanımlanan kavramsal sonuçların farklılıklarından doğmaktadır.
📊
Temel Bulgular & Veri:Bu boşluğun giderilmesi için çeşitli yol ve yöntemler literatürdeki çalışmalarda denenmiştir.
💡
Sonuç & Katkı:Bilimsel tartışmaya da yer verilmektedir.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Yapay Zekâ · Görüntü İşleme · Anlamsal Boşluk

Özet

Anlamsal boşluk kavramı, makineler aracılığıyla veriden elde edilen temel renk, doku ve şekil gibi özniteliklerle insan tarafından aynı veriye bakıldığında algı yoluyla tanımlanan kavramsal sonuçların farklılıklarından doğmaktadır. Bu boşluğun giderilmesi için çeşitli yol ve yöntemler literatürdeki çalışmalarda denenmiştir. Bu çalışmalarda, ontolojik sistemlerin geliştirildiği ve arama işlemlerinin de bu tarafa yoğunlaştırılmasının sağlandığı görülmektedir. Çalışmamızın ana amacı genel olarak Anlamsal Tabanlı Görüntüden Bilgi Elde Etme çalışmalarıyla İçerik Tabanlı Görüntüden Bilgi Elde Etme için gerçekleştirilen aramada ortaya çıkan Anlamsal Boşluk sorunun üstesinden gelinmesine dair yapılan çalışmaları ortaya koymaktır. Çalışmamızda literatürdeki çeşitli uluslararası dergi ve konferans yayınları incelenerek, kıyaslamalı özlü ve sistematik bir literatür taraması sunulmaktadır. Bilimsel tartışmaya da yer verilmektedir.

Abstract

The concept of semantic gap arises from the differences between the basic attributes such as color, texture and shape extracted from the data by machines and the conceptual results defined by human perception when looking at the same data. Various ways and methods have been tried in the literature to bridge this gap. In these studies, it is seen that ontological systems have been developed and search operations have been focused in this direction. The main purpose of our study is to present the studies on Semantic Based Image Retrieval in general and the studies on overcoming the Semantic Gap problem that arises in the search for Content Based Image Retrieval. We present a concise and systematic comparative literature review by analyzing various international journal and conference publications in the literature. Scientific discussion is also included.

🔖

Bu Makaleye Atıf Yap

Metin, İ. A., Karasulu, B. (2024). Anlamsal Boşluk Doldurulmasında Derin Öğrenme Yöntemlerinin Kullanılması Üzerine Bir İnceleme. Veri Bilimi, Cilt: 7 Sayı: 1, 54–62. https://ajindex.com/articles/1575883

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (39)

  1. Alpaydın, E. (2004). Introduction to machine learning. MIT Press.
  2. Aslandogan, Y. A., & Yu, C. T. (1999). Techniques and systems for image and video retrieval. In IEEE Transactions on Knowledge and Data Engineering (Vol. 11, Issue 1, pp. 56–63). https://doi.org/10.1109/69.755615
  3. Alkhawlani, M., Elmogy, M., & El Bakry, H. (2015). Text-based, content-based, and semantic-based image retrievals: A survey. In International Journal of Computer and Information Technology (ISSN: 2279–0764) (Vol. 4, Issue 01).
  4. Ngo, T. G., Ngo, Q. T., & Nguyen, D. D. (2016). Image Retrieval with relevance feedback using SVM active learning. International Journal of Electrical and Computer Engineering, 6(6), 3238–3246. https://doi.org/10.11591/ijece.v6i6.11631
  5. Long, J., Shelhamer, E., & Darrell, T. (2015). Fully Convolutional Networks for Semantic Segmentation. In IEEE. https://doi.org/10.1109/CVPR.2015.7298965
  6. El Shaer, Mohamed & Wisdom, Scott & Mishra, Taniya. (2019). Transfer Learning From Sound Representations For Anger Detection in Speech. Erişim Adresi: https://www.researchgate.net/publication/330923908_Transfer_Learning_From_Sound_Representations_For_Anger_Detection_in_Speech
  7. Tzelepi, M., & Tefas, A. (2018). Deep convolutional learning for Content Based Image Retrieval. In Neurocomputing (Vol. 275, pp. 2467–2478). https://doi.org/10.1016/j.neucom.2017.11.022
  8. Oxford 5K Veri Kümesi. Erişim Adresi (23.06.2023): https://www.robots.ox.ac.uk/~vgg/data/oxbuildings/
  9. Alzu’bi, A., Amira, A., & Ramzan, N. (2017). Content-based image retrieval with compact deep convolutional features. In Neurocomputing (Vol. 249, pp. 95–105). https://doi.org/10.1016/j.neucom.2017.03.072
  10. Noh, H., Hong, S., & Han, B. (2015). Learning Deconvolution Network for Semantic Segmentation (Vol. 1). In: ICCV. https://doi.org/10.1109/ICCV.2015.178
  11. Badrinarayanan, V., Kendall, A., & Cipolla, R. (2017). SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(12), 2481–2495. https://doi.org/10.1109/TPAMI.2016.2644615
  12. De Geus, D., Meletis, P., & Dubbelman, G. (2020). Fast panoptic segmentation network. IEEE Robotics and Automation Letters, 5(2), 1742–1749. https://doi.org/10.1109/LRA.2020.2969919
  13. Suhasini, P. S., Krishna, K. S. & Krishna, I. V. (2008). Graph Based Segmentation in Content Based Image Retrieval. Journal of Computer Science, 4(8), 699-705. https://doi.org/10.3844/jcssp.2008.699.705
  14. Ozden M., Polat E. (2007) A color image segmentation approach for content-based image retrieval. Pattern Recognition 40(4):1318–1325. https://doi.org/10.1016/j.patcog.2006.08.013
  15. Rizwan I Haque, I., & Neubert, J. (2020). Deep learning approaches to biomedical image segmentation. In Informatics in Medicine Unlocked (Vol. 18). https://doi.org/10.1016/j.imu.2020.100297
  16. Ma, H., Zhu, J., Lyu, M. R. T., & King, I. (2010). Bridging the semantic gap between image contents and tags. IEEE Transactions on Multimedia, 12(5), 462–473. https://doi.org/10.1109/TMM.2010.2051360
  17. Pang, Y., Li, Y., Shen, J., & Shao, L. (2019). Towards bridging semantic gap to improve semantic segmentation. Proceedings of the IEEE International Conference on Computer Vision, 2019-Octob(Iccv), 4229–4238. https://doi.org/10.1109/ICCV.2019.00433
  18. Philbin, J., Chum, O., Isard, M., & Sivic, J., (2008). Lost in quantization: Improving particular object retrieval in large scale image databases. In: IEEE Conference on Computer Vision and Pattern Recognition, CVPR. 1–8.
  19. Zhao, R., & Grosky, W. I. (2002). Narrowing the semantic gap - Improved text-based web document retrieval using visual features. IEEE Transactions on Multimedia, 4(2), 189–200. https://doi.org/10.1109/TMM.2002.1017733
  20. Wu, L., Hua, X.-S., Yu, N., Ma W.-Y., & Li, S. (2008). Flickr distance, In: Proc. MM'08, 31-40, WordNet Veri Kümesi. Erişim Adresi (23.06.2023): https://wordnet.princeton.edu
  21. Auchard, E. (2007). Flickr to map the world's latest photo hotspots, Reuters, CNet. Erişim Adresi (23.06.2023): https://www.cnet.com/tech/tech-industry/flickr-to-map-the-worlds-latest-photo-hot-spots/
  22. Everingham, M., Eslami, S. M. A. Van Gool, L. J., Williams, C. K. I. Winn J. M. & Zisserman, A. (2015). The pascal visual object classes challenge: A retrospective, IJCV, 2015.
  23. Brostow, G. J. Shotton, J. Fauqueur J. & Cipolla, R. (2008). Segmentation and recognition using structure from motion point clouds, In: Proc. ECCV.
  24. Scopus Web Sitesi. Erişim Adresi (23.06.2023): https://www.scopus.com/home.uri
  25. Web of Science Web Sitesi. Erişim Adresi (23.06.2023): https://access.clarivate.com/
  26. IEEE Web Sitesi. Erişim Adresi (23.06.2023): https://ieeexplore.ieee.org/Xplore/home.jsp
  27. WordNet Veri Kümesi. Erişim Adresi (23.06.2023): https://wordnet.princeton.edu
  28. Ashraf, R., Ahmed, M., Jabbar, S., Khalid, S., Ahmad, A., Din, S., & Jeon, G. (2018). Content Based Image Retrieval by Using Color Descriptor and Discrete Wavelet Transform. Journal of Medical Systems, 42(3). https://doi.org/10.1007/s10916-017-0880-7
  29. Yenigalla S.C., Rao K.S., Ngangbam P.S. (2023) Implementation of Content-Based Image Retrieval Using Artificial Neural Networks. Engineering Proceedings; 34(1):25. https://doi.org/10.3390/HMAM2-14161
  30. Sikandar S., Mahum R., Alsalman A. (2023) A Novel Hybrid Approach for a Content-Based Image Retrieval Using Feature Fusion. Applied Sciences; 13(7):4581. https://doi.org/10.3390/app13074581
  31. Song, K., Li, F., Long, F., Wang, J., & Ling, Q. (2018). Discriminative Deep Feature Learning for Semantic-Based Image Retrieval. IEEE Access, 6, 44268– 44280. https://doi.org/10.1109/ACCESS.2018.2862464
  32. Wu, Q. (2020). Image retrieval method based on deep learning semantic feature extraction and regularization softmax. Multimedia Tools and Applications, 79(13–14), 9419–9433. https://doi.org/10.1007/s11042-019-7605-5
  33. Bouchakwa, M., Ayadi, Y., & Amous, I. (2020). Multi-level diversification approach of semantic-based image retrieval results. Progress in Artificial Intelligence, 9(1), 1–30. https://doi.org/10.1007/s13748-019-00195-x
  34. Li, Y., Wang, Y., & Huang, X. (2007). A relation-based search engine in Semantic Web. IEEE Transactions on Knowledge and Data Engineering, 19(2), 273–281. https://doi.org/10.1109/TKDE.2007.18
  35. Minu, R. I., & Thyagharajan, K. K. (2014). Semantic rule based image visual feature ontology creation. International Journal of Automation and Computing, 11(5), 489–499. https://doi.org/10.1007/s11633-014-0832-3
  36. Gasi, A., Ensari, T. ve Dagtekin, M. (2021). Anlamsal tabanlı görüntü erişimi üzerine bir derleme. Acta Infologica, 5(2), 445-457. https://doi.org/10.26650/acin.835241
  37. Noh, H., Hong, S., & Han, B. (2015). Learning Deconvolution Network for Semantic Segmentation (Vol. 1). In: ICCV. https://doi.org/10.1109/ICCV.2015.178
  38. Auchard, E. (2007). Flickr to map the world's latest photo hotspots, Reuters, CNet. Erişim Adresi (23.06.2023): https://www.cnet.com/tech/tech-industry/flickr-to-map-the-worlds-latest-photo-hot-spots/
  39. Yenigalla S.C., Rao K.S., Ngangbam P.S. (2023) Implementation of Content-Based Image Retrieval Using Artificial Neural Networks. Engineering Proceedings; 34(1):25. https://doi.org/10.3390/HMAM2-14161