類神經網路影像檢索之研究(II)影像資料索引之建構

全文

(1)行政院國家科學委員會專題研究計畫. 成果報告. 類神經網路影像檢索之研究(II): 影像資料索引之建構. 計畫類別：個別型計畫計畫編號： NSC94-2213-E-009-139執行期間： 94 年 08 月 01 日至 95 年 07 月 31 日執行單位：國立交通大學資訊工程學系(所). 計畫主持人：傅心家共同主持人：包曉天. 報告類型：精簡報告報告附件：出席國際會議研究心得報告及發表論文處理方式：本計畫可公開查詢. 中. 華民國 95 年 10 月 27 日.

(2) D.

(3) . . . #. . $ 2. %&. 3. 4. & ^. . . (. 6. . ). . . . *. =. .J. >? K. @. L. . . +,. . <. I. . '. 5. :; H. . -. . . .:A. 0. C. OP. 8. E. 9. F. R. G. .@. =. a. P. b. q. r. c. I. D. $. s. {. |. d. ~. R. l. m. O.n. >tY. %.L }. k. 8. v K. Y. L. w. a. `. M. `. >D. . . 1. b. _. o. . c X. p. d x. g. g `. y. y . . z . K. . Y. . %. G. >. .. K. ` . . D. ¨. a f. I. ª. ³. --(1) N À Â. . B Â. y. . ². C Q. . 4. c. d. . . .. Y Ç. Í. $. Å. @ . 3. . . È. Q $ -. G_. ¥.. L. Ð. `. y. º. s. (4) _ ¼. <. >L _. ~. string)._ Ó i ` y Ô Õ Ö Ø Î Ï c d Ù

(4) « ¬ >Ú Û Î Ï « ¬ { Ü & .D Á Â. >L Î. . ½ ef. Ì. OP Ñ. °. ¹. Ë N. ®. . ¥.É. Ê. > . {. ¸. » Â. d Æ. . y Á. X. c X. L. g 6. Æ. . . .71. · 5. y. ¬. (3) ` Å. b. ` @. . ¶ 4. ¨. . >? T. p. U. . . . ¯. M. a . . «. &. 3 §. &. R. . ³. 2 Q. b Ä. . µ. E. . O (2) o. .¿ ÃÄ. . ±. $ . . ¥¦. . 7´. ¾. ¤. d. d. (Curse of Dimensionality) . . 1. . £. c. H. I. ¢. ©. {. . . H. . . §. y [. [. ¡. c. Ï. Á `. (Visual @ 3 × ½ D Ý Å Æ Ç Ò. Generalized Probabilistic Decision-based Neural Network Â { « ¬ c d Ù

(5) Ê - & T Þ . @ À ± ß à á. â. . ã. ä. . . . . +Ó. i. `. y. Ô. . &. T. . .@. . G. >. Õ. . Neural Network, Content-based Image retrieval (CBIR), Mixture Gaussian Model (GMM),. popular topic in the recent years for its capability to index an image with different levels of local contents in the image. In this project, we have developed a “visual string” to. . %.. . Ö. -. u. (conceptual image). . =. Ê. The region-based image retrieval becomes a. z . . å. Ò. O. ]. . `. y. . .. S. N. f. `. ~. Generalized ProbabilityDecision Based Neural Networks (GPDBNN) Abstract. D. /& T .U A V W X Y >Z @ [ \ G_ ` a b c d ef g h i. j. Ñ. ". #. D Q. !. .1. 7". B N. . ./. . M. . r. . determine dynamically the number of feature dimensions according to the complexity of the "conceptual image". The goal of this project intends to construct an indexing/query methodology that can bridge the image representation gap between the high-level semantic meaning and the low-level image features. However, the conventional methodologies about comparison similarity between two objects are based on that they are in the same feature dimension. If two objects are in different feature dimension, the conventional methodologies do not work. We have developed “Generalized Probabilistic Decision-based Neural Network(GPDNN)” to compare two objects with different feature dimension. By “visual string” and “GPDNN”, the system can build reliable indexing image database automatically and also can return good query answers..

(6). æ à. ç. á. à.

(7) G. L. á. ì. è. í. !. .éê. ë. ú. [. `. y. û. ü. ý. `. ì. í. ó. -. ±. ñ. ?. ò. ^. L. ø. M. . ù . . . . . n. 7 &. . . 7.

(8). R . .. .

(9). . ç. . .ø. ê. . . A. L. ¨. ë. þ. M . X. . &. . a. .¹ (.

(10) .U. ). / ". #. . *. 6. 7. @.

(11) ·. $. %.D. 8. . Â. >/ 3. 4. . º X @. ¹. . (. ). . . *. á. ì. . M. X s. x ú. f. Ê. ". #. ì & . H. 5. H. Ãì. í. g. %[4,7]ò à 2. á 3. . $. í. %F. '. é,. À. -. . . . `. D. ñ. A. º. .: 9. N. B. . b. b. L. Ç. S. =. _. .. c |. D. D. ä. 5. L. ~. #. §. X. . ½ Y. ". #. &. @. e!. Z. L. Û. X. .K. ¶. . .. [. # ½ r \. ÷ [. K. ! d. q ò. ·. ß. `. F ·. a. g. ` `. >?. @. .h. K. &. '. á. -- G. a B. C. N. . à. H b. ý. . . . I. D. E. OP. g. g. . e" p. p. F. `. G G. a. /& T .U Y X g h j ÷ k .l m n o ¸ p q . Y. #. 0. [. . r. . y. =. . . º. \. ]. k. l. u. w. .. . m. O. . x. . a. .< X. 3. . v I. i. K. <. >tY v. =. %[10-24]>u. $ .j. g. K. . . #. X. M. A. @. . R. 6. .?. S. ñ. { g. F. ä. !. o. }. G. . ". ã. f. d. d. 74. e". (² . {. p C. p. .L. c. 8. ' B. . . Ç. . . c. %. A. ) ¿. t[8][9][10]>/ s. a. $. . .? {. ò. À. L. . . á .. e>0. à. .. Ï. á. . X. . N . D. X O. M. å. ¹. L. ì. D ñ. º.

(12) ¡. ò. N. " .P. w. a. `. b y. {. [25]>. `. O . 2. $ 4. . . . >. ñ {. . Û x . 1. |. _ Q. X. ½. . g. à C. ? Y. %H 0. . % . $. .z. >tY . 3 ?. . >. . /. _. =. = #. ). y. C. G. ". (. $. B. K . M L. º. . .@. n L. Y . #. A. O Î. M. ". @. (Annotation).J I. à. . . ·. H. 4. g. E. %. . y. D. $. Ê #. `. 4. ì *. /.

(13) >. . -. .R. >. I. tY. . ¬. W. . .f [. ée I. r. F. .V. .M. 2 º. @. «. . A. éd. _. ?. Ê . c. L. ¶. f. >î. _. g. £. . ¤. ¹. A #. . . . /. . .X. ò [. > /. *. ^. .A. . . . . ! 4. Þ. ] _. 5. y. . $ Ï. `. C. . 1. V. . þ. . ñ. . . ". . Ç. @ .L. M. ñ. í. f. ä. @. #. .f. . #. .¿. ". 0. é;. ". tY. º. ì. ` 4. À. .:. .<. .{. L. ¥[7]>?. 9. à =. s x. 0. _.

(14) >. .A. %. yahoo þ. [. ,. á. O¾. 8. +. à. 3 2. `. U. Á. U. D {. . . . >. ½. . CCD.ø ù ö [ _ À R a b & [6]M ! Í . " # $ % & ' a ( . " # & À. Ê. . [5]>@ æ . `. Ð. .7. .&. . ¾. À . . ú . c. . . .tY. L &. L. _. T. podcast[4].à á Æ ö { Y . @ Y

(15) éê ë à á > @. . . Youtube[1] é M. Video.google[2]éFlickr[3]î ï _ ð ) ó - ` y ô õ ö & ' A ÷ ù. M Q. !. á. . D >/. à. á. { · E. 0. D . ` }. 7 .. 9. g ª. [. ~. M.

(16)

(17). . . ¾ ½. ". . . g 1. X. ¹ ~. Y [ . ~. g. . ` . v. M. p á §. . þ. ` [. g. c. Ä. E. . . . þ R. ^. . C. I. À. . ä. Ó. i. . ~. ö ". Ø . g f. " #. Ç L #. ,. 8 . R. $ 2. ,. %D 3. -. 4. ( 5. N. 6. à Î. .U. .{. ). .{. ñ. GÇ. Ç. . À. þ 2. .`. y. c. éd. G{. À. . Y. á. â A. y. >. ® . L .ú. Ñ. . >Ú . . . æ. 8. Ë ¼. Ì. . Å. Í g. . >ö. ¡ ¢ £ ¤ ¥ ¦ § ¨ © ª « . 2. 3. 4. 5. 6. . X. ¡ ¢ £ ¤ ¥ ¦ § ¨ © ª « Ò. .. y. . d h. &. N g. `. . , ,. ` Ê. . >& R. ¯ Å. Ê a. Ä. R ¼. Ðf. V. B M. É. . c. . . Ï ². d g. > . [. .È Ç. G. ³£ » ¯. 4. . e Î. %.` . O. f. .¿. . . >. . . |. H. ). *. . I á. {. . . â. . â. G>. `. á. >:. D. Ú. . ,. y. . . . . . #. . þ. . . f. q. . .@. . . ée. â. à. , . á. Ç. >. #. A. Ã.à. y. . 3. 4. . e . ¥ ¦ § ¨ © ª «Y. à. d. D. c Å. c . . $. . {. g. ³¸»D. [. . -. . &. . . « . %. >D ¯. ñ. .Á. . Ê. @. ç. ¡ ¢ £ ¤ R. °. ±. ². Î. Ï. . visual keywords.Ó. ¹ = {. 8 Ó. t_. _. Á. q. .U Õ. %. _. X. q. Ñ. X. Ê. -. &. . visual string>D ` y Ò .z Ú visual string. L Ö P M Ñ Ò > ·. Ô. i. Ô. . ³´ µ ¬ ¢ ª ¦ ¶ £ ¢ ¡ ¡ £ · ª © ¸£ ¸ ¤ ¬ § « ¡ ¬ ª ¸¢ ¬ © ¹ ¢ º ¬ © ». describe the white horse.

(18) !"$#%&'%$

(19) (. >. þ. (b) the visual keyword to. (a) The original image. ¡ ¢ £ ¤ ¥ ¦ § ¨ © ª «+ ¡ ¢ £ ¤ ¡ ¬ ª ® . . b . h d. ¼. e Ï. Ã. Ç. f. = ¢. ,. c. Ï . Î. É. 4. r . R ¯. G. _ ). . Õ . >+. ¡ ¢ £ ¤ ¥ ¦ § ¨ © ª «. #. a. g Æ. `. q . ¥ ¦ § ¨ © ª «^. %.j r. Ç . M ½. $. . >@ . 3 . }. _. # . . y. d. ¡ ¢ £ ¤ ¥ ¦ § ¨ © ª « > ¡ ¢ £ ¤ . ` . c Â. .` Ã. #. " . +Á. . ". P. n . . . á 6. . ². A. y. à. g ". A. tL. e! à. 5. ,. %. . 0. a. $ . .{. .L. >f. þ. P. . . . I. .L . `. . H. . } ~. &. ¥ ¦ § ¨ © ª «Ø. 6 >. }. # =. >. 5. . D.

(20) .. H b. . _. ". $ S. 4. . #. 6. > . ·. >. 3. . À 6. 2. . L #. G y. =. . . ª. º. á. 5. >/ . {. g þ. -. y. N. . . À ,. %. `. ä. g. a. . . #. . L Ä. _ ,. ". y . # ã. . à [. >Ú {. *. ! . . L. ¿. ¹ á. à.

(21) L. X. â ¨ _. =. ". p. =. `. M A. º. ü. .. á. ` . O`. =. $. .à. . K. I. . L. º. _. º. . D. =. 6. .{ Ç. å. . g w. r. w. .U N. q. ~ v. >f À. . _. w .g . . Z. . }. v. g. ` . . @ y. . g }. ` . ¥.. . éÀ ¿. ¼ p. P. à. L. C /. á. â. .1.

(22) . . . þ. ". [. . #. . Y. o ×.

(23) Ø. I Ê. Û. Ú Ù. Q. ¡. ô Ü. >0 Q. õ. >Á. Â. >8. f. ô Ü. õ y. Ý. . ö. 0 Q. Ç >. . Ç L. ô Ü. X. õ. ´. Ê Ý. µ. >L K. L. Í. p. Q. . Ü. >0. ä. Q. 0 Q. ô Ü. Ý. õ. OÀ L. ì. p. ". #. 75. 6. f å. [. . ". y. !. #. K. X. `. y. r . 3 . . . . . Netra[20] Blobword [21] .Ä z Ú ` y ä ú Q GË Ì Í H I N ² û d . @ õ ö r ÷ ¼ Å c d Ê R ± >X. Þ ´ £ ® ¦ ß ¢ ¦ ª § . ¡ ¦ ª ¦ ª éÐ ¨ ¦ ¸¡ ¦ ª ¦ ª 7 Ð à á â ¡ ¦ ª ¦ ª > ã. .n. <. ü. .î. !. æ¬ ¬ · ç è è Ðé ê ë ÐÐì ë í Ðî ë î î è ï ¦ ¸ð ´ £ ® ¦ à ¦ £ ª º æ>. ". #. GË. Internet. &. ~ |. Spider. H. %_. '. Ê. ý. .@. `. @. N. . . y. . O.î. Ø. ½. k I Á. %{. y. ã d A. _. r. g. . .@. Î Â. Q ú. c d. x. ä. ¥.². l. c. . $. c. H $. d. D b. [. c. y. .a ü. ±. .`. . ` þ. y. r. .?. I. ` N. $. ¥ø. Í. x. . $ Ì. Î. g [. . {. Ï . |. ú. }. z. z. Ê ø. X { >. Î. Visual Keyword Generation. Image Classification. f. Ç. SQL Server. VK file. VK file. Image information Database. VK file. . n. µ. [. . Ú VK file storage. VK file storage. VK Compare. VK Compare. VK Compare. Interface. Interface. Interface. y. y. L. ! N. . . . H. . OP. . VK file storage. `. Î. 2. Ï. 3. a. M. R. {. I. .M. |. N. O.. H a. H. `. >tY. I. @. H. I. . I. .z. N. ð. . f. O2. M. 3. 4 `. [8][9][10].D [ Y. Chen J.Z. Wang [28] y .< î [ ¡ .ñ GR ¼ Å f m c d J. a. Y. ±. {. . ¶. $. ·. . ¥.Ó. i. . ¾. é. ¿. c ù. d. .. Dispatcher and Aggregator. Ø. Web Image Search HomePage. ½. R. ¼ Ú N. Internet user. . . . . b. B. g Å. ñ. M Å. .ò. [11-24] >ô . Ä. A. Å. N. Æ. ó. . [. \ b. .L . ò. ]. ±. N. QBIC[16] . Virage [17] . Photobook [18] . VisualSEEk WebSEEk [19] q Y Ø ½ c d R ± ' e" # h i >? @ Ø ½ c d R ± ' e" # h i ¿ { À [ õ ö r ÷ c d R ± >8 X ½ @ . Z @. [ #. D q. #. ² Ë {. @. . ù. Ì . ¼ Í. .î Y. .ú. + 8. Y. $ [. . r. /. %þ 3. q. . Å. . " À. . f. Û #. A. r `. ¹ º ±. y. . { =. ß . Ô @. =. . $. y. . ±. B w. . ç. ð {. 2 Y. g. á. y. ]. . . G` .

(24). À. = r. 2. P . . . 3. ·. { a. ñ g. . .z `. N. à \. É. . . d f. [34]. d. ë {. / É. .tY. C ú. M. .L. . >Ú Å. c. . B. ø. ¼. >æ. .. M. à. c. [ Ó. . Ù. d b. $. ¥ [23] >L Å. c. æ. m. L. A. . Å. =. " å. . ¼. . &. . Ã\. ]. <. > A. . >î. X ò. ø. Ê. b. P. G. d i. Ï. 3 a. 4. Ó. ._ ù. . ù. ` 3. Y. c. (Semantics) c C. ø L. ·. c. OD. ¹. Á Å. m. · a. .D. . . . ¼. þ. g. . . d. ¯ Ò. Å. . . ,. ß =. . .\. ¥'. ü. 5. ¥. ±. L. . >Ó. f. ]. .. ¼. i. $ î. -. Ò X. Ù. < Å. . .Û ô. ¢ ± ½. ¼. . . ß. . } ..

(25) 8. _. E. ¨. L. F. {. . $. ¥_. . . #. $ ø. G¼ Ù. M. ð. -. Y. /. . f. .@. %. Ê Å. =. . &. ¼. [. !. .. ". Å. >0 ½. .L X. &. ¼. .7 Ó. . B. . . C. Q. . Å. ú. L. '. çÃC. &. . \. ·. ]. ú. . [ . g.

(26). . . . ]. . . .c . . ¥R. . =. d. . . . `. Q. . /. ¹. . r Ü. 2. 3. _. ~. 4. . $. w. .o. ä. 1. c. :. 2 Y. 3 z. . : c d Ó. C. ¹. L ¾. _. R. R. @. ù. . . « ù. § Ê . M. Á. ¯. c. >. d. `. ¬ ¨. .. Þ À. . ¢. ;. Y. . < . =. {. ½ _. I `. ¼ À. . . y. Ñ. «. q. +ö . §. ? k. ]. .#. R. . . ±. ö. û ¹. F. .¿ 9. î. . Ü. ¯ ·. . I. $. %. ¬. À. d. . @. . Ù. >D. Á. `. y. . Â. Ý. m. . . visual keyword . U. X. Í. . ¶. U. «. ¬. . . .. < Ç. G. .t7 R ,. i 8. Y. {. 9. . . Î. Ï. /. f. å. : . _. À =. .¾. .@ . . ¿. I. ¶. ¶. D. . [ 8. . ¨. . . Æ. &. ¯. ¼. X. Å.

(27) L. D. ½. 6. Ù. . °. 5. d. Euclidean 7. E. . >_ ¬. I. Þ. . &. K. ö l >@. . 7P. {. 7P. {. Ç. `. T. $. $. ¥. . §. ¨. . . °. Þ. 8. Å ¹. ¯. _. . . _ . L ¨. { Y. F. Ù. & .. [. ä. Ö Ã5 . 6 Ò. L O. '. á. ö. ¬ í. F. eg. . Þ 8. ² û. r. ±. . ö. ì. .Õ. R '. ±. ·. ì. GPDNN n _ w × Ø . ö G ¹ # F g Ö O ¯ R >@. _. . [. ö. N. >' ¯. . <. .. Ö b. .8 X. _ A. ì Ù. .7 à. Ø ö. ° M. í. « .. . ì ×. : [. `. ö 3. F. _ ã. 2 ä. Ù. . [. l ã. °. >@ I. F Ù. k {. .§ H. ° . ` d. M T. . L. c [. `. ._ 8. J. É. ó L. §. c. ` . f. 0. . . ö. .D Ù. í. é. ¨. «. ¹. ü. . >/ û. h. H. t>. Þ. &. ` ä. ¬. í. G B. 1. >/. . «. «. M. E. $ ì. .{. . (Generalized Probabilistic Decision-based Neural Network, GPDBNN) þ î c d. 3. >t Â. {. F. . Y . c. ü .G. ä. D D. 9. '. . À À. [. X. O. Â R. Å ã. [. \. . ><. > Ò. Y. {. . (Texture)>Ó. E . X. . ¯. . Ú. tY. ·. Ç. ±. . Á . ù. H. ¨. M. %@. §. f. Ñ. ?. «. Ç. b. . Ù. 8. §. é. Â. Y. _. M. . d. F. . 5. 8. 0. `. Â. 4 0. 8. .T. {. î. éÁ ¿. .ú. ¾. ý. Á. G. Ç .¿. ¨. Y. ./. . c ù. M .X D. 6 ¿. þ d. >§ . `. Ø. ö. e a. . ¹. d. '. ¿. X. ¾. &. ¾. ·. tL. . ù. . c. .² ¿. ¨. . c. ¾. e[31] ¾. . . ~. .§. ø. g. . M . $. 2. {. d. à. ë ë. . visual keyword Ê - & = Ó .E F G visual string.` y { t_ q # Ñ ¿ Ò .U _ q # ? L D ¿ Ö P. >. c. ¹. !. % L. î. >@ ý. L. Æ . B. F. ¯. $. B. L. ! 4. M \. L. . ¥ [33] > 2. 4 Y. > . & Ü. ¯. BIC(Bayesian Information Criterion)A B Y ¶ F ¹ $ %>0 $ ¥L B y h M ö r Ç { C · ./ 0 L M . ï Y # q ¯ R ± F ¹ ¡. [29][30]>¸ çÃU ¼ Æ r ( ) Ö M \ ] [27].* + b 7c d , ö Ü .- w M Ï ö Ü 7Á Q Ü & çL [ . ö ì í \ ] ._ ñ ò X } ~ Í. ã. . G_. . Q. . $. &. Ü. . .Á &. Ü. >. Q. E. ¡. . [26] .ñ G" EM based multiple infernecelearning " þ g Ê û Å +\ ] .ú Á. >. ¹. { _. G. À. ¯. M ?. Ó. _. Ö .ö. Ú. g . í. h k. ±. (Ê N. ¹.

(28) O) 2 l. 0. 3. ì. í. w. &. Ö. a. +. .n. _. ` X. T. Q. ±. R ¯. 2 ß. ì. ±. í. .8. k. . .ú h. _. Gr r. . & &. k. T æ. Q. V. . . g. . >. >ú M. W Y 2. 3. . . . . D. û §. ¨. L. Á. Ä. Â. Ý. . É. Ç. Å. Æ F. g . . GPDNNévisual keywordévisual stringé . ¿. Å. R. }. ` . ~. g. Ê . c v. w. d. Ê. .§. >§. N ¨. ú. ñ. ¨ ò. S . . Æ. Ç. . X. X E. ½ Y. Ø. ½. `. y. .D. U. m §. Ë ¨. Ì. R. ñ. Í ò. Ç. Ô. Õ. ¿. . { . j &. ø. Ë. Ì <. ß. 3. . O°. .@. D ½. Ô. Y. ¶. r. ]. ;. ·. y. >. û }. >@ >. . `. Õ \. Ô . y Ô. f <. ' .. X ". r. #. ./. $. ¥_. [. M. >. Å #. <. [ r. ¼. e" _. {. ;. . I D. û. .. q . <. Z . H Í. .¿ ¿. _. Ì 3. y Å. y r. Ë d. `. r Å. y Ø. û 2. ¼ <. ¼ . r. ; Å. L _. .`. ` <. 8 ¯. q Å. Í. =. c . 3. ¼ Í. y. 2. j . Å. ¼ Í. Ì. `. ß. (æ¬ ¬ · ç è è Ðé ê ë ÐÐì ë í Ðî ë î î è ï ¦ ¸ð ´ £ ® ¦ à ¦ £ ª º æ) _ ò N T ` >L î ¹ .§ ¨ © f . Ë. 0. ¯. Ì. & . . y. .. ¼. Ë. Y . r. ` ü. Ô Å. q ~. Y X. ¼ y. . 8.

(29) . . . IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 23, no. 9, pp.. . [1] Youtube ì. 947–963, 2001. [13] Y. Chen and J. Wang, “A region-based fuzzy feature matching approach to content-based image retrieval,” IEEE. ?. http://www.youtube.com/ [2] Video.google ì ? http://video.google.com/ [3] Flickr ì ? http://www.flickr.com/ [4] Podcast http://www.apple.com.tw/itunes/podcasts/ [5] ö ^ } ~ 5 ITIS ! à _ µ ` ì ² a b. Transactions on PAMI, vol. 24, no. 9, pp. 1252–1267, Sep. 2002. [14] E. Jungert S. K. Chang and Y. Li, “Representation and retrieval of symbolic 7. http://www.itis.org.tw a b :. pictures using generalized 2d strings,” University of Pittsburgh, vol. PA 15260, 1988. [15] J. R. Smith and C.-S. Li., “Image classification and querying using composite. http://www.eettaiwan.com/ART_8800301924_ 617717,617727.HTM.f3197ae3 [6] c a ì í ( ). region templates,” Journal of Computer Vision and Image Understanding, 1999. [16] Christos Faloutsos, Ron Barber, Myron. http://udn.com/NEWS/INFOTECH/INF1/1725 705.shtml [7] yahoo " # 2 http://tw.yahoo.com. Flickner, Jim Hafner, Wayne Niblack, Dragutin Petkovic, and William Equitz, “Efficient and effective querying by image content,” Journal of Intelligent Information Systems, vol. 3, no.. [8] Jianbo Shi and Jitendra Malik, “Normalized cuts and image segmentation,”IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 22, no.8, pp. 888–905, 2000.. 3/4, pp. 231–262, 1994. [17] Amarnath Gupta and Ramesh Jain, “Visual information retrieval,” Communications of the ACM, vol. 40, no. 5,. [9] W.Y. Ma and B.S. Manjunath, “Edgeflow: a technique for boundary detection and image segmentation,” IEEE Transactions on Image Processing, vol. 9, no.8, pp. 1375–1388, 2000. [10] James Ze Wang, Jia Li, Robert M. Gray, and Gio Wiederhold, “Unsupervised. pp. 70–79, 1997. [18] A. Pentland, R. Picard, and S. Sclaroff, “Photobook: Content-based manipulation of image databases,” in Storage and Retrieval for Image, Video Databases II, San Jose, CA, Feb.. multiresolution segmentation for images with low depth of field,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 23, no. 1, pp.85–90, 2001. [12] James Ze Wang, Jia Li, and Gio Wiederhold, “SIMPLIcity: Semantics-sensitive integrated matching for picture LIbraries,”. 1994, SPIE, vol. 2185. [19] John R. Smith and Shih-Fu Chang, “Visualseek: A fully automated content-based image query system,” in ACM Multimedia, 1996, pp. 87–98. [20] W. Y. Ma and B. S. Manjunath, “Netra: A toolbox for navigating large image databases,” in Proc. IEEE Int’l Conf. Image Processing,.

(30) 1997, pp. 568–571. [21] Chad Carson, Megan Thomas, Serge. fuzzy feature matching approach to content-based image retrieval,” IEEE. Belongie, Joseph M. Hellerstein, and Jitendra Malik, “Blobworld: A system for region-based image indexing and retrieval,” in Third International Conference on Visual Information. Transactions on PAMI, vol. 24, no. 9, pp. 1252–1267, Sep. 2002. [29] Y.Y. Xu T.M. Fang and H.C. Fu, `Ìmage classification and indexing by EM based. Systems, June 1999, pp. 509–516. [22] Q. Y. Shi S. K. Chang and C. W. Yan, “Iconic indexing by 2-d strings,” IEEE Transactions on PAMI, vol. PAMI-9, no. 3, pp.. Multiple-Instance Learning,' ' in Proc. of pcm' 2000, Sydney, Australia, 13-15 December 2000. [30] Y.Y. Xu, H. T. Pao, and H.C. Fu, `Ìmage. 413–428, May 1987. [23] M.C. Yang S.Y. Lee and J.W. Chen, “2d b-string: a spatial knowledge representation for image database systems,” in Proc. ICSC’92. classification and indexing by EM based Multiple-Instance Learning,’’ in Moroccan Journal of Control Computer Science and Signal Processing, 2002.. Second Int. Computer Sci. Conf., 1992, pp. 609–915. [24] John C. Russ, The Image Processing. [31] Hegel, G. W. F. Aesthetics, Vol. I trans. T. M. Knox, Clarendon Press, Oxford, 1975. [32] H. C. Fu, H.Y. Chang, Y.Y. Xu, and H.T.. Handbook, Ron Powers, 3 edition, 1998. [25] Kayo Suzuki, Mitsuru Nagao, Hiroaki Ikeda and Yoshifumi Shimodaira, " Image Retrieval Using Sketched Image on Multimedia. Pao, `Ùser Adaptive Handwriting Recognition by Self-growing Probabilistic Decision-based Neural Networks,' ' in IEEE Transaction on Neural Networks, Vol. 11, No.6, Nov. 2000.. Networks: New Criteria for Design New Type of TV Sets," IEEE Trans. on Consumer Electronic, 2000. [26] k ? à _ 5 6 \ ] ( )(The study of intelligent multimedia. [33] Y.H. Chen, C.L. Tseng, S.S. Cheng, Hsin-Chia Fu, and H.T. Pao, `À self-growing probabilistic decision-based neural network with applications to anchor/speaker. information processing system(II)), Â Q. d. NSC 89-2213-E-009-094, f ! Ä g S 88 ç 8 h 1 :ù 89 ç 7 h 31 :, R % S e. S. . [27] k ? ì - ì í ( ) Ñ _ k l . \ Å (The study of the Intelligent Web-Based News Video Search System), Â Ý d e S NSC i. j, . _. . à. _. . Þ. . . 89-2213-E-009-015 (I), NSC 90-2213-E-009-047 (II), f ! Ä g S 89 ç 8 h 1 :ù 91 ç 7 h 31 :, R % S i j, _ à _ Þ . [28] Y. Chen and J. Wang, “A region-based. identification,' 'in Proc. Of HIS2002, Santiago, Chile, Dec.1-4, 2002. [34] Milind R. Naphade and Thomas S. Huang, “A probabilistic framework for semantic video indexing, filtering and retrieval,” IEEE Transactions on Multimedia, special issue on Multimedia over IP, vol. 3, no. 1, pp. 141–151, Mar. 2001.

(31)