fa بازیابی تعاملی تصاویر طبیعت با بهره گیری از یادگیری چند نمونه ای الکترونیک Electronic پژوهشي Research <p dir="RTL" style="text-align: justify;"><strong>بازیابی تصویر مبتنی بر محتوا از رویکردهای مهم مطرح در حوزه بازیابی تصویر در سال های گذشته است. مهمترین چالش فراروی این رویکرد عبارت است از وجود فاصله معنایی میان ویژگی های بصری سطح پایین و معانی سطح بالا موجود در تصاویر. بازیابی مبتنی بر ناحیه</strong><strong> و یادگیری از کاربر در چرخه بازیابی تصویر، به عنوان دو نمونه از مهمترین روش های ارائه شده برای کاهش فاصله معنایی به شمار می روند.</strong><strong> یادگیری چند نمونه ای از جمله رویکردهای جدید مطرح در حوزه یادگیری ماشین است که بستر مناسبی برای بهره گیری همزمان از دو روش پیش گفته برای کاهش فاصله معنایی فراهم می آورد. بر این اساس در این پژوهش یک روش بازیابی تصویر مبتنی بر یادگیری چند نمونه ای ارائه می شود. روش پیشنهادی در حوزه نمایش و بازیابی تصاویر طبیعت پیاده سازی شده و بر روی یک پایگاه داده تصویری مشتمل بر 3000 تصویر مستخرج از مجموعه </strong><strong><span dir="LTR">COREL</span></strong><strong> آزمون شده است. &nbsp;نتایج بدست آمده دقت قابل قبولی را برای روش پیشنهادی نشان می دهد.</strong></p> <p style="text-align: justify;">Content-based image retrieval (CBIR) has received considerable research interest in the recent years. The basic<br> problem in CBIR is the semantic gap between the high-level image semantics and the low-level image features.<br> Region-based image retrieval and learning from user interaction through relevance feedback are two main<br> approaches to solving this problem. Recently, the research in integrating these two major techniques has gained<br> many attentions .The representative is the relevance feedback based Multiple Instance Learning mechanism. This<br> paper presents an interactive content-based image retrieval system that incorporates Multiple Instance Learning<br> (MIL) into the user relevance feedback to learn the user&rsquo;s subjective visual concepts. The proposed model consists<br> of three main components: The transforming unit (bag generator), the learner unit, and the retrieval unit. In the<br> transforming unit, each image of the database is transformed into the corresponding image bag. The learner unit uses<br> these bags, user&#39;s relevance feedbacks and the proposed MIL method to learning user-interested visual concepts. In<br> the retrieval unit the images of the database are ranked using a two-phase ranking algorithm. Our model is designed<br> for using in applications that need image retrieval based on the general structures of images such as scene<br> classification and retrieval. We have tested our model on a natural scene image database, consisting of 3000 images<br> taken from the COREL library. Performance is evaluated and the effectiveness of the proposed model has been<br> shown through comparative studies.</p> بازیابی تصویر, یادگیری چند نمونه ای, بازخورد ارتباط, فاصله معنایی, پایگاه داده تصویری Image retrieval, Multiple instance learning, Relevance feedback, Content based image retrieval, Semantic gap. 19 35 http://jiaeee.com/browse.php?a_code=A-10-1-168&slc_lang=fa&sid=1 M. R. Keyvanpour محمد رضا کیوان پور 1003194753284600618 1003194753284600618 Yes N. Moghadam Charkari نصراله مقدم چرکری 1003194753284600619 1003194753284600619 No