DOI QR코드

DOI QR Code

A Categorization Scheme of Tag-based Folksonomy Images for Efficient Image Retrieval

효과적인 이미지 검색을 위한 태그 기반의 폭소노미 이미지 카테고리화 기법

  • 하은지 (고려대학교 전기전자공학과) ;
  • 김용성 (고려대학교 전기전자공학과) ;
  • 황인준 (고려대학교 전기전자공학과)
  • Received : 2016.03.16
  • Accepted : 2016.04.12
  • Published : 2016.06.15

Abstract

Recently, folksonomy-based image-sharing sites where users cooperatively make and utilize tags of image annotation have been gaining popularity. Typically, these sites retrieve images for a user request using simple text-based matching and display retrieved images in the form of photo stream. However, these tags are personal and subjective and images are not categorized, which results in poor retrieval accuracy and low user satisfaction. In this paper, we propose a categorization scheme for folksonomy images which can improve the retrieval accuracy in the tag-based image retrieval systems. Consequently, images are classified by the semantic similarity using text-information and image-information generated on the folksonomy. To evaluate the performance of our proposed scheme, we collect folksonomy images and categorize them using text features and image features. And then, we compare its retrieval accuracy with that of existing systems.

최근 사용자들이 협동적으로 이미지 주석인 태그를 만들고 활용하는 폭소노미 기반의 이미지 공유 사이트들이 많은 인기를 얻고 있다. 이러한 사이트는 사용자 질의에 대해 단순한 텍스트 매칭 기반의 검색을 수행하고 매칭되는 결과 이미지들을 포토 스트림 형태로 나열하여 보여 준다. 하지만 이러한 태그들은 매우 개인적이고 주관적이며, 이미지 역시 카테고리로 분류되어 있지 않기 때문에 검색의 정확도나 사용자 만족도가 떨어진다는 문제점이 있다. 본 연구에서는 태그를 기반으로 하는 이미지 검색에서 검색의 정확도를 높일 수 있는 폭소노미 이미지의 카테고리화 기법을 제안하고, 폭소노미 환경에서 생성된 태그와 이미지 정보를 모두 이용하며 의미적으로 유사한 이미지들끼리 분류된 검색 결과를 생성한다. 제안하는 기법의 성능 평가를 위해 폭소노미 이미지를 수집하고 텍스트, 이미지 특성에 따른 카테고리 분류를 수행하여 기존 검색 기법과 이미지 검색의 정확도를 비교한다.

Keywords

Acknowledgement

Grant : 빅데이터 처리 고도화 핵심기술개발 사업 총괄 및 고성능 컴퓨팅 기술을 활용한 성능 가속화 기술 개발

Supported by : 정보통신기술진흥센터, 한국연구재단

References

  1. E. Ha, Y. Kim, and E. Hwang, "A Categorization Scheme for Folksonomy Images," Proc. of the 42th KIISE Winter Conference, pp. 145-147, Dec. 2015. (in Korean)
  2. Overell, Simon, Borkur Sigurbjornsson, and Roelof Van Zwol, "Classifying tags using open content resources," Proc. of the Second ACM International Conference on Web Search and Data Mining. ACM, pp. 64-73, 2009.
  3. Chen, Jiawei, et al., "Event-driven semantic concept discovery by exploiting weakly tagged internet images," Proc. of International Conference on Multimedia Retrieval. ACM, pp. 1, 2014.
  4. Godoy, Daniela, German Rodriguez, and Franco Scavuzzo, "Leveraging semantic similarity for folksonomy-based recommendation," IEEE Internet Computing, Vol. 18, No. 1, pp. 48-55, 2014. https://doi.org/10.1109/MIC.2013.26
  5. Mousselly-Sergieh, Hatem, et al., "Tag relatedness using laplacian score feature selection and adapted jensen-shannon divergence," Proc. of the 20th Anniversary International Conference on MultiMedia Modeling, pp. 159-171, 2014.
  6. Csurka, Gabriella, et al., "Visual categorization with bags of keypoints," Proc. of Workshop on statistical learning in computer vision, ECCV., Vol. 1, No. 1-22, pp. 1-2, 2004.
  7. ENSAFI, Shahab, et al., "Sparse non-parametric bayesian model for hep-2 cell image classification," Proc. of the 12th IEEE International Symposium on Biomedical Imaging(ISBI), pp. 679-682, 2015.
  8. Lin, Yuanqing, et al., "Large-scale image classification: fast feature extraction and svm training," Proc. of the 24th IEEE Conference on Computer Vision and Pattern Recognition(CVPR), pp. 1689-1696, 2011.
  9. Lowe, David G., "Distinctive image features from scale-invariant keypoints," International journal of computer vision, Vol. 60, No. 2, pp. 91-110, 2004. https://doi.org/10.1023/B:VISI.0000029664.99615.94

Cited by

  1. Mining tag-clouds to improve social media recommendation vol.76, pp.20, 2017, https://doi.org/10.1007/s11042-016-4039-1