Distinct nearest neighbors queries for similarity search in very large multimedia databases

SKOPAL, Tomáš, Vlastislav DOHNAL, Michal BATKO a Pavel ZEZULA. Distinct nearest neighbors queries for similarity search in very large multimedia databases. In 11th ACM International Workshop on Web Information and Data Management (WIDM 2009). New York, USA: ACM, 2009, s. 11-14. ISBN 978-1-60558-808-7.

Základní údaje

• Originální název: Distinct nearest neighbors queries for similarity search in very large multimedia databases
• Název česky: Dotazovaní na rozlišitelné nejlibližší sousedy pro podobnostní hledání ve velmi velkých multimediálních databázích
• Autoři: SKOPAL, Tomáš (203 Česká republika), Vlastislav DOHNAL (203 Česká republika, garant), Michal BATKO (203 Česká republika) a Pavel ZEZULA (203 Česká republika).
• Vydání: New York, USA, 11th ACM International Workshop on Web Information and Data Management (WIDM 2009), od s. 11-14, 4 s. 2009.
• Nakladatel: ACM

Další údaje

• Originální jazyk: angličtina
• Typ výsledku: Stať ve sborníku
• Obor: 10201 Computer sciences, information science, bioinformatics
• Stát vydavatele: Spojené státy
• Utajení: není předmětem státního či obchodního tajemství
• WWW: URL
• Kód RIV: RIV/00216224:14330/09:00029810
• Organizační jednotka: Fakulta informatiky
• ISBN: 978-1-60558-808-7
• Klíčová slova anglicky: similarity search;kNN query;content-based retrieval
• Štítky: DISA
• Příznaky: Mezinárodní význam, Recenzováno

Anotace

As the volume of multimedia data available on internet is tremendously increasing, the content-based similarity search becomes a popular approach to multimedia retrieval. The most popular retrieval concept is the k nearest neighbor (kNN) search. For a long time, the kNN queries provided an effective retrieval in multimedia databases. However, as today's multimedia databases available on the web grow to massive volumes, the classic kNN query quickly loses its descriptive power. In this paper, we introduce a new similarity query type, the k distinct nearest neighbors (kDNN), which aims to generalize the classic kNN query to be more robust with respect to the database size. In addition to retrieving just objects similar to the query example, the kDNN further ensures the objects within the result have to be distinct enough, i.e. excluding near duplicates.

Anotace česky

S tím, jak se značně rozšiřuje množství multimediálních dat dostupných prostřednictvím internetu, roste při jejich vyhledávání popularita podobnostního přístupu. Nejběžnějším konceptem je hledání k nejbližších sousedů (kNN), který se v multimediálních databázích efektivně používá již dlouhou dobu. Bohužel s tím jak objem multimediálních dat masivně narostl, tento přístup poskytuje stále méně užitečných informací. V tomto článku prezentujeme nový podobnostní dotaz - dotaz na k rozlišitelných nejbližších sousedů (kDNN) - který si klade za cíl zobecnit klasický kNN dotaz tak, aby byl robustnější s ohledem na množství prohledávaných dat. Oproti kNN dotazu, který vrací objekty podobné zadanému příkladu, kDNN dotaz navíc zajišťuje, že budou odpovědi dostatečně rozdílné, tj. že odpověď neobsahuje blízké duplikáty.

Návaznosti

• GA201/09/0683, projekt VaV: Název: Vyhledávání v rozsáhlých multimediálních databázích

Investor: Grantová agentura ČR, Vyhledávání v rozsáhlých multimediálních databázích

• GP201/07/P240, projekt VaV: Název: Distribuované indexační struktury pro podobnostní hledání

Investor: Grantová agentura ČR, Distribuované indexační struktury pro podobnostní hledání

• GP201/08/P507, projekt VaV: Název: Komplexní podobnostní dotazy nad rozsáhlými objemy dat

Investor: Grantová agentura ČR, Komplexní podobnostní dotazy nad rozsáhlými objemy dat