h1

h2

h3

h4

h5
h6
http://join2-wiki.gsi.de/foswiki/pub/Main/Artwork/join2_logo100x88.png

Efficient adaptive retrieval and mining in large multimedia databases = Effizientes adaptives Retrieval und Data Mining in großen Multimediadatenbanken



Verantwortlichkeitsangabevorgelegt von Ira Assent

ImpressumAachen : Publikationsserver der RWTH Aachen University 2008

UmfangIX, 247 S. : Ill., graph. Darst.


Aachen, Techn. Hochsch., Diss., 2008

Zsfassung in engl. und dt. Sprache


Genehmigende Fakultät
Fak01

Hauptberichter/Gutachter


Tag der mündlichen Prüfung/Habilitation
2008-02-26

Online
URN: urn:nbn:de:hbz:82-opus-22593
URL: https://publications.rwth-aachen.de/record/50036/files/Assent_Ira.pdf

Einrichtungen

  1. Fachgruppe Informatik (120000)
  2. Lehrstuhl für Informatik 9 (Datenmanagement und -exploration) (122510)

Inhaltliche Beschreibung (Schlagwörter)
Information Retrieval (Genormte SW) ; Data Mining (Genormte SW) ; Multimedia (Genormte SW) ; Wissensextraktion (Genormte SW) ; Informatik (frei) ; Indexstrukturen (frei) ; Multistep-Architekturen (frei) ; Index structures (frei) ; Multistep architectures (frei)

Thematische Einordnung (Klassifikation)
DDC: 004
ccs: H.2.4 Syst * H.2.8 Data * * H.3.3 Info

Kurzfassung
Multimediadaten, von Bildern über Videos bis hin zu Zeitreihen, entstehen in vielen wissenschaftlichen, kommerziellen oder privaten Anwendungen. Der Zugriff auf die zunehmend großen Datenmengen, die in Multimediadatenbanken gespeichert werden, ist eine Hauptaufgabe für die Suche ähnlicher Objekte oder für Überblicksdarstellungen des gesamten Datenbankinhalts. Beispiele sind die Kernspinresonanztomographie für diagnostische Zwecke oder automatische Ermittlung von Kundengruppen für die Verkaufsförderung. Sinnvolle Suche und Mustererkennung setzen inhaltsbasierte Methoden voraus, die die relevanten Charakteristika der Multimediadaten beschreiben. Im Gegensatz zur manuellen Verschlagwortung, die typischerweise für große Datenmengen nicht praktikabel ist, verwenden inhaltsbasierte Methoden Ähnlichkeitsmodelle um Multimediadaten zu verarbeiten. Ähnlichkeitsmodelle spezifizieren entsprechende Merkmale und deren Verhältnis für effektiven inhaltsbasierten Zugriff. Da die meisten Multimediamerkmale viele verschiedene Attribute voraussetzen, stellen die hohe Dimensionalität der Multimediamerkmale sowie die riesigen Datenbankgrößen hauptsächliche Herausforderungen für effizienten und effektiven Suchzugriff und Data Mining dar. In dieser Arbeit werden weitverbreitete Merkmalstypen für Multimediadaten untersucht: Histogramm- und Zeitreihendaten. Histogramme werden für viele verschiedene Merkmale wie Farbe, Form oder Textur genutzt. Zeitreihen sind vorherrschend im Bereich Sensormesswerte, Börsendaten und können sogar für Formen und weitere Merkmale verwendet werden. Für diese Datentypen sind effektive Ähnlichkeitsmodelle normalerweise von zu hoher Berechnungskomplexität, als daß sie in großen hochdimensionalen Multimediadatenbanken eingesetzt werden könnten. Daher werden effiziente Algorithmen für diese effektiven Modelle vorgeschlagen. Genutzt werden in dieser Arbeit Indexierungstechniken, die effiziente Anfragebearbeitung und Mining ermöglichen, indem sie den Suchraum auf die für die Aufgabe relevanten Daten beschränken. Mehrstufige Filter-und-Verfeinerungsansätze mit neuen Filterfunktionen, die Qualitätsgarantien erfüllen, stellen sicher, dass schnelle Antwortzeiten ohne Qualitätsverlust erreicht werden.

Multimedia data ranging from images to videos and time series is created in numerous scientific, commercial and home applications. Access to increasingly large data volumes stored in multimedia databases is a core task to retrieve similar objects or to generate an overview of the entire content. Examples include retrieval of similar magnetic resonance images for diagnostic purposes, or automatic detection of customer segments for sales promotion. Meaningful retrieval and pattern detection require content-based methods that describe the relevant characteristics of multimedia objects. As opposed to manual keyword annotation techniques that are typically infeasible for large data volumes, content-based approaches use similarity models to process multimedia data. Similarity models specify appropriate features and their relationship for effective content based access. As most multimedia features require many different attributes, high dimensionality of multimedia features and huge database sizes are major challenges for efficient and effective retrieval and mining. In this work, very common feature types for multimedia data are studied: histogram and time series data. Histograms are used for a variety of features such as color, shape or texture. Time series data is prevalent for sensor measurements, stock data, and may even be applied to shapes and other features as well. For these data types, effective adaptable similarity models are usually computationally far too complex for usage in large high dimensional multimedia databases. Therefore efficient algorithms for these effective models are proposed. In this work, indexing techniques are used that allow for efficient query processing and mining by restricting the search space to task relevant data. Multistep filter-and-refine approaches using novel filter functions with quality guarantees ensure that fast response times are achieved without any loss of result accuracy.

Fulltext:
Download fulltext PDF

Dokumenttyp
Dissertation / PhD Thesis

Format
online, print

Sprache
English

Externe Identnummern
HBZ: HT015509802

Interne Identnummern
RWTH-CONV-112600
Datensatz-ID: 50036

Beteiligte Länder
Germany

 GO


OpenAccess

QR Code for this record

The record appears in these collections:
Document types > Theses > Ph.D. Theses
Faculty of Mathematics, Computer Science and Natural Sciences (Fac.1) > Department of Computer Science
Publication server / Open Access
Public records
Publications database
122510
120000

 Record created 2013-01-25, last modified 2022-04-22


Fulltext:
Download fulltext PDF
Rate this document:

Rate this document:
1
2
3
 
(Not yet reviewed)