06.06.05 Sebastian Loose

DPF – A Perceptual Distance Function for Image Retrieval

Proseminar SS 2005Distanzen und Ähnlichkeitsmaße im

Hochdimensionalem Raum

06.06.05 DPF von Sebastian Loose

Gliederung

• Motivation und Idee• Ausgangspunkt

– Minkowski Metric– Gewichtete Minkowski Metric

• DPF – dynamic partial distance function– Grundlegende Überlegungen– dynamic partial distance function– Leistungstests

1 / 8

06.06.05 DPF von Sebastian Loose

Motivation und Idee

• Bisher: Features

• Idee: Clustering in Feature Space• Ziel: ähnliche Bilder nah beieinander zu halten

• Jetzt: Distanzfunktion

2 / 8

06.06.05 DPF von Sebastian Loose

Ausgangspunkt

Minkowski Metric

• Je kleiner die Distanz, so ähnlicher sind sich die Bilder

• Nachteil: Es wird davon ausgegangen, dass Ähnlichkeit in allen Dimensionen besteht

3 / 8

06.06.05 DPF von Sebastian Loose

Ausgangspunkt

Problem:

Gewichtete Minkowski Metric

• statischer Gewichtungsvektor

• Ähnlichkeit in gleichen Merkmalen

4 / 8

06.06.05 DPF von Sebastian Loose

DPF – dynamic partial distance function

δi = |xi – yi|• Merkmalsdistanz beim i‘ten Merkmal• Normalisiert

Grundlegende Überlegungen

5 / 8

06.06.05 DPF von Sebastian Loose

DPF – dynamic partial distance function

6 / 8

06.06.05 DPF von Sebastian Loose

DPF – dynamic partial distance function

Δm = {die kleinsten m δ‘s von {δ1…δp}}

• Δm Wechselt beim vergleich unterschiedlicher Bilder Dynamik

7 / 8

06.06.05 DPF von Sebastian Loose

DPF – dynamic partial distance function

Leistungstest in 2 Phasen:• Training

– um optimal Größevon „m“ zu finden

• Testing– um Leistung zu testen

8 / 8