1 / 59

Pretra živanje velikih baza slika (CBIR) Branimir Reljin IPTM grupa Elektrotehnički fakultet

Pretra živanje velikih baza slika (CBIR) Branimir Reljin IPTM grupa Elektrotehnički fakultet Univerziteta u Beogradu, Srbija. Ogromna količina snimaka, video i multimedijalnog materijala Pojednostavljenje proizvodnje multimedijalnih sadržaja – jeftine kvalitetne kamere

kayo
Download Presentation

Pretra živanje velikih baza slika (CBIR) Branimir Reljin IPTM grupa Elektrotehnički fakultet

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Pretraživanje velikih baza slika (CBIR) Branimir Reljin IPTM grupa Elektrotehnički fakultet Univerziteta u Beogradu, Srbija Banja Luka, 10. novembar, 2008

  2. Ogromna količina snimaka, video i multimedijalnog materijala • Pojednostavljenje proizvodnje multimedijalnih sadržaja – jeftine kvalitetne kamere • Dostupnost ogromne količine informacija iz različitih oblasti stvaralaštva (Internet) • Prema podacima iz 2000. godine u svetu se snimi više od 80 milijardi fotografija • Moderne tehnologije omogućavaju on-line dostupnost materijala koji bi u prošlosti ostali nedostupni • Kako iz mora informacija izdvojiti željenu? • Velika količina informacija – mala korist ! Banja Luka, 10. novembar, 2008

  3. Video Scena Grupa Kadar Ključni snimci t1 t t1+12 Grupa X Pretraživanje video materijala se može vršiti na osnovu semantičkih oznaka (‘kadar 15, 8-mi put’, ili ‘zima’, ‘kuća na plaži’), na osnovu vremenskog redosleda, dimanike scene, zvučnih zapisa, ili sličnih ključnih snimaka (key frame), dakle, na osnovu sličnosti slika. Banja Luka, 10. novembar, 2008

  4. Veoma efikasni i najšire korišćeni tekst-orijentisani pretraživači (npr., Google) imaju mnogobrojne i ozbiljne nedostatke: Tekstualne anotacije se u najvećem broju slučajeva generišu manualno – proces anotiranja je spor i komplikovan Tekst–orijentisani pretraživači generišu mnogo šuma oko korisne informacije Rezultati pretraživanja umnogome zavise od sposobnosti korisnika da pravilno definiše upit Javlja se jezička barijera Banja Luka, 10. novembar, 2008

  5. Flickr: tekstualna anotacija. http://www.flickr.com/search/?q=boat Veliki broj subjektivno različitih slika. Banja Luka, 10. novembar, 2008

  6. Kojim rečima opisati ovu sliku? Banja Luka, 10. novembar, 2008

  7. Kora drveta može biti hrapava ili glatka. Šljunak može biti sitan ili krupan, ujednačene ili različite veličine. Trava može biti retka ili gusta, različite boje. Kojim rečima opisati teksturu? Kod tekstualne anotacije je dodatni problem jezička barijera. Banja Luka, 10. novembar, 2008

  8. Umesto subjektivnog označavanja (context-based approach) • vrši se objektivni opis slike pronalaženjem • karakterističnih obeležja na osnovu sadržaja slike (content-based approach) • Obeležja niskog nivoa (boja, tekstura, oblik, itd.) se automatski izdvajaju iz slike • Obeležja se mogu uzeti globalno, za celu sliku, ili po regionima Banja Luka, 10. novembar, 2008

  9. Globalno opisivanje slike Pravilni regioni ‘Tematski’ regioni Regionalno opisivanje slike Banja Luka, 10. novembar, 2008

  10. Na osnovu izdvojenih obeležja kreira se vektor obeležja (Feature Vector) čije komponente su brojevi koji označavaju ‘intenzitet’ posmatranog obeležja • Dva globalna trenda: (1) kreiranje jednog zajedničkog vektora obeležja ili (2) korišćenje više manjih vektora obeležja • Pretraživanje, tj. ispitivanje sličnosti slika, se vrši na osnovu rastojanja vektoraobeležja posmatranih slika, primenom neke od mera rastojanja (Euklidsko, Mahalanobis, i dr.). • Slike koje imaju najkraće rastojanje jesu objektivno najsličnije! • PROBLEMI: Veza sadržaja i značenja slike. • Kako obeležjima niskog nivoa opisati subjektivni sadržaj? Banja Luka, 10. novembar, 2008

  11. Safe mod (216 boja) Pun kolor (16.7 mil. boja) Boja Različiti prostori boja: RGB, CIE Lab, Luv, HSV, Suprotan prostor boja (opponent color space), YUV, YCbCr, YIQ, Munsell-ov prostor... Banja Luka, 10. novembar, 2008

  12. HSV prostor CIE Lab Korigovan CIE Luv Munsell-ov sistem Banja Luka, 10. novembar, 2008

  13. Histogram (broj piksela određene boje) Opisivači (deskriptori) boja Momenti: prvi moment (srednja vrednost), drugi (varijansa), treći (iskošenost, skewness), ... Banja Luka, 10. novembar, 2008

  14. Banja Luka, 10. novembar, 2008

  15. Banja Luka, 10. novembar, 2008

  16. Obeležja dominantne boje su najpodesnija za predstavljanje lokalnih karakteristika slike, objekta ili regiona kada je mali broj boja dovoljan da pruži informaciju o boji u regionu od interesa U cilju izdvajanja malog broja reprezentativnih boja u svakom regionu/objektu/slici, primenjuje se kvantizacija. Histogrami boje u HSV i YCbCr prostorima se koriste zbog veoma dobre predstave obeležja boje i sličnosti sa ljudskim opažajnim sistemom. Odlikuje ih i ‚‚razumno” vreme obrade. Pokazali su dobre karakteristike kod pretraživanja na osnovu zadate slike Banja Luka, 10. novembar, 2008

  17. Vektor povezanosti boja (CCV = color coherence vector) Unošenje informacije o prostornoj povezanosti u kolor histogram može se ostvariti pomoću vektora povezanosti boja (CCV). Korelogram boja Korelogram boja je alternativni deskriptor za karakterisanje prostorne korelisanosti parova boja. Korelogram boja se daje u vidu tabele koja sadrži parove boja, a kao treća kordinata je njihova prostorna udaljenost Banja Luka, 10. novembar, 2008

  18. Tekstura Tekstura je drugo značajno obeležje slike. Ono je veoma subjektivno: Možemo jednostavno da razlikujemo teksturu šljunka od teksture peska, ili trave, ali se teško matematički opisuje. Obeležja teksture iz Gabor transformacije Radovima David Hubel-a i Torsten Nils Wiesel-a krajem 70-tih godina prošlog veka pokazano je da je struktura vizuelnog korteksa kod sisara takva da se detektuju ivice objekata određenih diskretnih pravaca (dobili su Nobelovu nagradu 1981. godine) Banja Luka, 10. novembar, 2008

  19. Proste ćelije u vizuelnom korteksu mogu se modelovati Gabor-ovim funkcijama koje omogućavaju vremensko-frekvencijsku analizu 1D signala, odnosno, prostorno-frekvencijsku analizu 2D signala (x0,y0) centar receptivnog polja u prostornom domenu (x,y), (0,0) optimalne prostorne frekvencije po x i y pravcu, sx i sy standardne devijacije eliptične Gausove anvelope po x i y pravcu Banja Luka, 10. novembar, 2008

  20. Ansambl Gabor wavelet-a u prostornom domenu, sa korakom rotacije od p/8 sa 1.5 dB oktavnim propusnim opsegom Banja Luka, 10. novembar, 2008

  21. Obeležja iz ko-okurentne matrice Jedan od najstarijih načina opisivanja teksture (Haralick, 1973). To je neka vrsta združenog histograma: sadrži elemente koji predstavljaju broj parova piksela sa specifičnim nivoom intenziteta (u skali sivog) koji su na određenom rastojanju i pod određenim uglom (nagibom u odnosu na x-osu). Ko-okurentna matrica je simetrična, dimenzije jednake broju nivoa sivog slike koja se razmatra(obično 64, ili svega 16 nivoa). Posmatra se samo najbliža okolina piksela (d=1) kada se koriste 4 različita pravca: 0, p/4, p/2 i 3p/4. Banja Luka, 10. novembar, 2008

  22. Primeri iz Brodatz baze (1968) i odgovarajuće ko-okurentne matrice Banja Luka, 10. novembar, 2008

  23. Obeležja dominantne teksture su veoma podesna za prepoznavanje regiona na slici koji imaju pretežno homogenu strukturu. Najbolje rezultate postiže u kombinaciji sa deskriptorom histograma ivica – ljudski vizuelni sistem najbolje opaža ivice i regione. Gray-level co-occurence matrica (texture browsing descriptor) je naročito podesan za pretraživanje baze slika na osnovu upitne slike. Ovaj deskriptor je veoma malih dimenzija što je bitno sa stanovišta brzine pretrage. Banja Luka, 10. novembar, 2008

  24. Deskriptor histograma ivica predstavlja prostornu raspodelu pet tipova ivica. Koristi se za pretragu na osnovu zadate slike, naročito kod prirodnih slika sa neuniformnim rasporedom ivica (daje dobre rezultate čak i kada se koristi samostalno). Rezultati se mogu znatno popraviti ukoliko se koristi zajedno sa npr. deskriptorima histograma boje. Pri izboru obeležja u posmatranom CBIR sistemu vodilo se računa o dva protivrečna zahteva: (1) kvalitetno opisivanje i (2) brzina pretrage Banja Luka, 10. novembar, 2008

  25. Opisivanje oblika Korisno jer daje veoma tačan opis sadržaja slike, ali Zahteva se prethodna segmentacija slike (dugotrajan proces). Furijeovi deskriptori Fraktalni pokazatelji (fraktalni indeks) Faktori oblika: velika i mala osa, ekscentricitet, odnos obima i površine, ... – naročito pogodno za mašinsku klasifikaciju Banja Luka, 10. novembar, 2008

  26. Pretraživanje u CBIR sistemu može biti delimično ili potpuno automatizovano U cilju prevazilaženja semantičkog jaza (semantic gap) u CBIR sistem se uvodi intervencija korisnika (relevance feedback) Pozitivni i negativni primeri koriguju FV upitne slike pomerajući ga KA centru klastera relevantnih i OD centra klastera nerelevantnih slika Povratna sprega sa korisnikom se realizuje uz pomoć neuralnih mreža i/ili fuzzy sistema. Banja Luka, 10. novembar, 2008

  27. Grupa za Digitalnu obradu slike, telemedicinu i multimediju (IPTM) sa ETF-a u Beogradu je od početka (okt. 2004) uključena u evropski projekat COST 292. Grupa IPTM je objavila veliki broj radova na konferencijama (16 na međunarodnim konferencijama i 14 na domaćim) i u časopisima (2 rada u časopisima sa SCI liste): G. Zajić, N. Kojić, V. Radosavljević, M. Rudinac, S. Rudinac, N..Reljin, I. Reljin, B. Reljin, “Accelerating of image retrieval in CBIR system with relevance feedback”, EURASIPJournal of Signal Processing, Volume 2007 (2007), Article ID 62678, 13 pages. I. Reljin, A. Samčović, B. Reljin, “H.264/AVC compressed video traces: Multifractal and fractal analysis”, EURASIP Journal of Applied Signal Processing, Vol. 2006, Article ID 75217, pages 1-13, 2006 G. Zajić, N. Kojić, Nikola Reljin, B. Reljin, „Experiment with reduced feature vector in CBIR system with relevance feedback”, in Proc. 5th IET Visual Information Engineering 2008 Conference (VIE'08), Xi’an, China, 29 July – 01 Aug, 2008 S. Rudinac, G. Zajić, M. Ušćumlić, M. Rudinac, B. Reljin, “Comparison of CBIR systems with different number of feature vector components”, 2nd International Workshop on Semantic Media Adaptation and Personalization, SMAP-07, December 17-18, 2007, London, United Kingdom G. Zajić, N. Kojić, V. Radosavljević, S. Čabarkapa, B. Reljin, “Feature vector reduction in CBIR system with relevance feedback”, in Proc. 13 Int. Conf. on Systems, Signals and Image Processing, IWSSIP-06, pp. 479482, Budapest, Hungary, 21-23 September, 2006 Banja Luka, 10. novembar, 2008

  28. CBIR sistem razvijen od strane IPTM grupe sa ETF-a u Beogradu: • CBIR sistem ‚‚klasične” strukture • Za svaku sliku iz baze se najpre izračunava vektor obeležja • Vektor obeležja u posmatranom sistemu je inspirisan deskriptorima uvedenim u MPEG 7, i inicijalno ima J = 556 koordinata, a sastoji se od 7 grupa koje opisuju boju, linije i teksturu • Izbor obeležja je izvršen tako da se omogući kvalitetno pretraživanje relativno velikih baza slika Banja Luka, 10. novembar, 2008

  29. Blok šema CBIR sistema sa povratnom spregom korisnika razvijenog od strane Grupe IPTM sa ETF-a u Beogradu Banja Luka, 10. novembar, 2008

  30. U posmatranom CBIR sistemu koristi se 7 različitih grupa obeležja: • Dominantne boje u HSV sistemu (32 koordinate) • Dominantne boje u YCbCr sistemu (32 koordinate) • Histogram boje u HSV sistemu (164 koordinate) • Histogram boje u YCbCr sistemu (177 koordinata) • Histogram ivica (73 koordinate) • Obeležja dominantne teksture (Gabor transformacija) (62 koor.) • Gray-level co-occurence matrica (16 koordinata) • Vektor obeležja u posmatranom sistemu ima 556 koordinata Banja Luka, 10. novembar, 2008

  31. Plaža Voz Typičan oblik FV-a Za slike iz Corel 60K baze 556-componenata FVna osnovu MPEG 7 deskriptora: Boja (405komponenata: 32+32 za dominantneboje u HSV i YCbCr prostoru, 164+177 zakolor histogram HSV i YCbCr); Tekstura/oblik(151 komponenta): Pravci linija (73 komp., Tekstura: Gabor wavelet koeficienti (62), co-occurrence (16) Banja Luka, 10. novembar, 2008

  32. Princip pretraživanja CBIR sistemom: • Zadaje se upitna slika • Prvi korak je objektivna mera sličnosti (rastojanja) FV upitne slike i slika iz baze koje su prethodno pripremljene • Na osnovu objektivne mere sličnosti korisniku se nudi set (20) slika najsličnijih upitnoj • Korisnik, na osnovu subjektivnog mišljenja, definiše i anotira koje su slike iz ponuđenog seta relevantne, a koje nisu Banja Luka, 10. novembar, 2008

  33. Na osnovu pozitivnih i negativnih primera kreira se novi, modifikovani vektor obeležja upita • Modifikovani vektor obeležja ažurira parametre RBF neuralne mreže (sa radijalnom osnovom): poziciju centra (ka relevantnim, a od nerelevantnih) i strminu (osetljivost) • Slike se porede sa korigovanim FV • Korisniku se nudi novi set slika na ocenjivanje • Procedura se ponavlja do postizanja željenog rezultata Banja Luka, 10. novembar, 2008

  34. Problemi • Početno pretraživanje je vremenski zahtevno, posebno ako se radi sa velikim bazama slika. • Primena velikih FV nije uvek i bolje rešenje – postoji ‘prokletstvo dimenzije’: puno nedominantnih komponenata u FV može da izazove maskirajući efekat i pogrešno pretraživanje. • U našim radovima smo sugerisali nekoliko načina za ubrzanje pretraživanja, bez znatnije degradacije tačnosti pretraživanja • Ovde ćemo, ukratko, opisati dva osnovna načina: • Formiranje klastera sličnih slika i • Redukcija vektora obeležja Banja Luka, 10. novembar, 2008

  35. Korišćenje klastera sličnih slika Slike sličnog sadržajase grupišu uklastere. Svakiklaster seopiše reprezentativnm elementom, iupitna slika se poredi sa reprezentativnim elementima klastera, a ne sa svim slikama iz baze.Ujedno, klasteri se adaptivno formiraju prema datom upitu, a na osnovu subjektivne reakcije korisnika V. Radosavljević, N. Kojić, S. Čabarkapa, G. Zajić, I. Reljin, B. Reljin, “An image retrieval system with user’s relevance feedback”, in Proc. WIAMIS-2006, pp. 9-12, Incheon, Korea, April 19-21, 2006 M. Jankovic, G. Zajic, V. Radosavljevic, N. Kojic, N. Reljin, M. Rudinac, S. Rudinac, B. Reljin, "Minor component analysis (MCA) applied to image classification in CBIR system", in Proc. 8th Conf. NEUREL 2006, pp. 11-16, Belgrade, Serbia, Sept. 25-27, 2006 Banja Luka, 10. novembar, 2008

  36. Redukcija vektora obeležja Dva pristupa U prvom slučaju startuje se od kompletnog FV sa 556 komponenata, pa se posmatraju amplitude komponenataza dati upit i odbacuju se nedominantne komponente.Pokazano je da se sa svega oko 10% komponenata (oko 55-57, od 556) dobija veoma dobro pretraživanje. Ujedno, pretraživanje može biti i tačnije, jer se ostvaruje bolji balans između komponenata koje opisuju boju i teksturu G. Zajić, N. Kojić, V. Radosavljević, M. Rudinac, S. Rudinac, N. Reljin, I. Reljin, B. Reljin, “Accelerating of image retrieval in CBIR system with relevance feedback”, EURASIP Journal of Advances in Signal Processing, Vol. 2007, 1-13, 2007 Banja Luka, 10. novembar, 2008

  37. Redukcija vektora obeležja U drugom pristupu, koristili smo unapred definisanih 25 FV komponenatakoje opisuju boju i teksturu (prva tri momenta za H, S i V komponente boja i svih 16 koeficijenata iz ko-okurentne matrice) S. Rudinac, G. Zajić, M. Ušćumlić, M. Rudinac, B. Reljin, „Comparison of CBIR systems with different number of feature vector components“, in Proc. Workshop SMAP 2007, London, UK, Dec. 17-18, 2007 U radu objavljenom nedavno na konferenciji VIE-2008 (Xi’an, Kina), koristili smo 24 FV komponenatakoje opisuju boju i teksturuna bazi globalne statistike inicijalnih deskriptora iz FV-a sa 310 komponenata (ne koriste se YCbCr opisivači): 162 kolor (COL) komponenata iz HSV prostora (kolor histogram kodovan sa 18x3x3) i 148 komponenatakoje opisujuorijentaciju linija i teksturu: histogram orijentacija linija (LIN) (72 components), Gabor (GAB) wavelet koeficijenti (60 komponenata: 6 pravaca sa 5 skala, od kojih je svaka opisana pomoću srednje vrednosti i standardne devijacije) i koeficijenti iz ko-okurentne (COO) matrice (16 komponenata: 4 ugla, svaki sa 4 komponente: energija, entropija, kontrast i inverzni momenti). Banja Luka, 10. novembar, 2008

  38. CBIR sistem sa redukcijom FV Redukovanekolor (COL) komponente (6 komp.) Od 162 komponenataiz HSV kolor histograma,prve tri dominantne, DC1, DC2 i DC3, se direktno koriste u redukovanom FV. Naredne tri komponente opisuju sudelovanje (značaj) komponenataDC1, DC2 iDC3 unutar prvih 8 dominantnihkomponenata: Redukovane orijentacije linija (LIN) (6 komp.) Slično kao COL: iz 72 komponenteorijentacija linija,prve tri dominantne, DL1, DL2 iDL3, se direktno koriste, a preostale tri (RL1, RL2, RL3) opisuju sudelovanje komponenataDL1, DL2 iDL3 unutar prvih 8 dominantnihkomponenata. Banja Luka, 10. novembar, 2008

  39. Redukovane Gabor (GAB) komponente (4 komp.) Od 30 srednjih vrednosti i 30 standardnih devijacija GAB wavelet koeficijenata,računaju se njihove srednje vrednosti i st.dev.: Srednja vrednost od sred. vrednosti (GMM), standardna devijacija od sred.v. (GSM), Srednja vrednost od st. dev. (GMS), i st. dev. od standardnih devijacija (GSS). Redukovane co-okur. (COO) komponente(8 komp) Odinicijalnih 16 članova, mean and standard deviation za svaku od 4 komponenata: Energija (MENG, SENG), entropija (MENT, SENT), kontrast (MCON, SCON), i inverzni momenti (MINM, SINM), za razmatrana 4 pravca: 0, 45, 90 i 135 stepeni.. Banja Luka, 10. novembar, 2008

  40. Dodatno ubrzanje postupka Pre pretraživanjakorisnik bira grupu(e) obeležja (COL, LIN, GAB, i/ili COO) koja(e) će se koristiti u pretraživanju, i definišenjihove tolerancijeDJ. Prvi korak pretraživanja je čisto objektivan, baziran na sličnosti(rastojanju) između FV upita (FVQ) i slika iz baze (FVD). Koristili smoEuklidsko rastojanje. FV komponenteizabranih grupa: COL, LIN, GAB, i/ili COO, se porede nezavisno, i posle svakog poređenja se korisniku ponudi set odBobjektivno najsličnijih slikana subjektivnu ocenu. Slike označene kao relevantne (R) se koriste u RF postupku. Pritom se ne pretražuju sve slike iz baze već se posmatraju samo one čiji se FV nalazi unutar postavljene tolerancije. Banja Luka, 10. novembar, 2008

  41. > ì 0 , Preskače se e - D = í i , j j <=0 Uzima se î Inicijalna tolerancija: 0.005 zakolor, 0.001 za ostale j-takomponenta FV-a upita j-takomponenta FV-ai-te slike baze Vrši se prethodna selekcija slika Posmatra se greška (odstupanje) j-te komponente FV u odnosu na upit: (*) Kriterijum (*) se odvojeno primenjuje na COL, LIN, GAB, COO, obeležje. Banja Luka, 10. novembar, 2008

  42. Za COL (i LIN)pri inicijalnom pretraživanju se koriste samo prve tri dominantne komponente. Prvi prolaz, sve tri dominantnekomponenteDC1, DC2, DC3, treba da zadovolje uslov (*).Ako među T (T=50 kod nas) nema slika koje ispunjavaju uslov (*), ponavlja se test za prve dve komponenteDC1, DC2.Ako ni tada nije zadovoljen uslov (*), posmatra se samo prva komponenta, DC1. Ako i dalje nema slika unutar prvih T slika,tolerancija se povećava i postupak se ponavlja. Za GAB i COOsvih 4 + 8 komponenatase koristi pro testiranju uslova (*), na sličan način (za prvih T slika). Dakle, za inicijalno (objektivno) pretraživanjenajviše 18 FV komponenatasekoristi: 3 COL, 3 LIN, 4 GAB, i/ili 8 COO. Banja Luka, 10. novembar, 2008

  43. Reakcijakorisnika Za svaku grupuobeležja (COL, LIN, GAB i/ili COO) korisnik označava relevantneslike (subjektivnoslične upitnoj slici) Označene slike se koriste u RF modulu kao i ranije. U RF procesuse koristi svih 24 komponenata: Dodaje se po 3 COL i 3 LIN komponenatakoje se nisu koristile u inicijalnom (objektivnom) pretraživanju. Banja Luka, 10. novembar, 2008

  44. Query image Prescribed tolerances Retrieved images ordered by objective similarity to a query COL feature LIN feature Banja Luka, 10. novembar, 2008

  45. GAB feature COO feature Banja Luka, 10. novembar, 2008

  46. Upit Relevantne slike za svih 4 grupa COL, LIN, GAB, COO posle inicijalnog prolaza PreciznostP20=65% (13 od 20) Banja Luka, 10. novembar, 2008

  47. Posle prvog RF koraka. Upit 103iz Corel 1K. Preciznost P20=100% (20 od 20) P30=86.6% (26 od 30 slika). Banja Luka, 10. novembar, 2008

  48. Posle prvog RF P20=45%. Sistem sa potpunim FV (556), prvi korak (objektivan) P20=20% U novom sistemu je bolji balansizmeđukomponenata boje i teksture. Banja Luka, 10. novembar, 2008

  49. Poređenje ovog sistemasa FV redukcijom (New FVR) sanašim ranijim CBIR sistemima. PreciznostP20 = R/20 (u %) se posmatra kao merakvaliteta. Prvi broj: objektivna mera;drugi broj:posle prvog RF prolaza. Banja Luka, 10. novembar, 2008

  50. Rezultati simulacija: • Simulacije su izvršene na tri baze slika: • TrecVid baza slika – sastoji se od 79484 slike koje predstavljaju RKF (reference key frames) video materijala vesti na engleskom, kineskom i arapskom jeziku. • Corel dataset – ‘mala’ baza od 1000 slika svrstanih po sličnosti u 10 klasa • MIT baza slika Banja Luka, 10. novembar, 2008

More Related