Récupération d'informations multimédias à l'aide de réseaux de neurones artificiels
L'importance de la récupération d'informations multimédias (MIR) se distingue à travers l'immense quantité d'informations disponibles sur Internet. Les exemples de données multimédias brutes incluent des images, du son, de la vidéo et des textes. La représentation du concept de perception humaine et comment le langage machine peut l'appréhender (l'écart sémantique dans la récupération d'informations multimédias) représente un grand défi. Cependant, cette recherche vise à améliorer le modèle de récupération d'informations pour extraire des données des multimédias. Cela est réalisé en tirant parti d'une variété d'algorithmes qui sont soumis à un entraînement et à un test pour extraire le modèle.
L'un de ces algorithmes implique l'extraction d'informations textuelles en fonction de la nature du langage de requête en utilisant un modèle d'espace vectoriel (VSM) et l'indexation sémantique latente (LSI)
. Une autre technique utilise l'analyse des ondelettes courbes (Curvelet Decomposition) et des critères statistiques tels que la moyenne, l'écart type et l'énergie du signal pour récupérer ces caractéristiques. De plus, une méthode basée sur la transformation en ondelettes discrètes (DWT) et les caractéristiques du signal pour récupérer les signaux audio. Enfin, le réseau de neurones est conçu et entraîné sur un ensemble d'images multimédias variées.
Les caractéristiques extraites ont été utilisées pour fournir un système très efficace de récupération multimédia fonctionnant sur de grands ensembles de données et de multiples modalités.