بازیابی معنایی تصویر در پایتون

بازیابی معنایی تصویر در پایتون

امروزه با گسترش حجم اطلاعات و داده ها شاهد بکاگیری علم یادگیری ماشین و داده کاوی در عرصه صنعت و تکنولوژی هستیم، یکی از موارد بکارگیری یادگیری ماشین، بازیابی تصویر می باشد. بازیابی تصویر با هدف یافتن تصویر یا تصاویری با بیشترین میزان شباهت با تصویر ورودی (query) انجام می پذیرد. اما چگونه؟!

روش های مختلفی برای این کار وجود دارد مثلا فرض کنید هر تصویر را با یک برچسب خاص ذخیره کنیم و در هنگام بازیابی از همان برچسب ها برای بررسی میزان شباهت استفاده کنیم. حال فرض کنیم می خواهیم این کار را بدون برچسب و تنها با پردازش تصویر ورودی و مقایسه با تصاویر موجود در پایگاه داده بررسی کنیم. ما در این دوره قصد داریم با روش های بازیابی تصویر آشنا بشویم، سیستم های مشابه را بررسی کنیم و سپس سیستمی را طراحی کنیم که بتواند این کار را برای ما انجام دهد.

بازیابی تصویر در بسیاری از زمینه ها از جمله: معماری و مهندسی طراحی، هنری، پیشگیری از وقوع جرم، سیستم های اندازه گیری، پزشکی و نظامی است؛ همچنین جستجو تصویری در گوگل یا جستجوی معکوس تصویر یکی از نمونه های مشهور در این زمینه است.

در این دوره پروژه ای برای بالا بردن سطح دوره در نظر گرفته شده که مبتنی بر یکی از مقالات مهم  نشریه Elsevier می باشد. این دوره برای کسانی که به مباحث یادگیری ماشین، پردازش تصویر و  داده کاوی علاقه دارند مناسب می باشد.

شما برای شرکت در این دوره به آشنایی با زبان پایتون و مفاهیم ساختمان داده و طراحی الگوریتم نیاز دارید.

برای آشنایی بهتر با این دوره،‌ پیشنهاد می کنیم ویدیو معرفی را مشاهده نمایید.

سرفصل های دوره :
آشنایی با بازیابی تصاویر 

روش های پردازش و بازیابی تصاویر

تفاوت بازیابی محتوایی و معنایی تصویر

بررسی google image

معرفی ابزار google Colaboratory

آشنایی با هیستوگرام رنگ ها با کتابخانه numpy

روش های استخراج و همجوشی ویژگی های تصویر

آشنایی با الگوریتم BOW

آشنایی با الگوریتم K-means برای خوشه بندی تصاویر

معرفی پروژه ی مرتبط با دوره

پیاده سازی بازیابی معنایی تصویر با عنوان SMFM