もがき
もがいてやる。
どうにかなってやりたいと思うとき、俺はもがくしかできない。
がむしゃらが通用しないってのは分かっていて、それで頭を使ってみようとするんだけれど、半分使えてれば良さそうなもんだ。
結局、俺には頭を使ってスマートにこなすなんて出来ないらしい。
それでもしみったれた解法にしがみつくのはごめんだから、少しずつスマートに寄せていくよ。
えいやって頑張っている時が一番成長する時だと信じて、必死に頭を使ってやる。
よく向き不向きなんていうけれど、干支をふた回りしたぐらいでそんなもん分かるもんか。
どうせ頭使えてないんだから、分かったふりはしないでおこう。
愚直に進む時代も終わり、頭を使う時代への変わり目でもがく。
もがいていたらどこかにたどり着けるだろうか?
いやそれはない。
もがきながらも前を向いて行き先を決める。
うまくやれなくたって頭を使うことを放棄せずにもがいて進む。
大丈夫だ。
-----
今日の論文
さて今日も論文を読んでみよう。
今日も感性データベースを調べてみようと思います。
本論文 目的:
- 画像・画像型の客観的な類似検索 (例示画検索)の紹介
- 文字・画像型の主観的類似検索 (感性検索)の紹介
内容検索の枠組み
- 利用者の提示するキー
- データベース中のデータ
類似検索・・・1と2の類似度を何らかの基準に従って評価し、類似度の高い値を操作する方法
データベース中のデータの集合は類似度によって順位づけされている
例示画像をキーとした内容検索・・・類似検索の応用
提示されたキーが不完全でも、類似度を利用すれば曖昧検索ができる
- 6つの内容検索の形態がある
文字・画像の組み合わせ
文字・画像が感性の対象になる
シソーラス・・・類語辞典
文字データ、画像データ→ 類似度で結びつける必要あり
感性なら、ユーザーごとに類似度空間を作る
課題
- 画像データの特徴分析方法
- 類似度の求め方
主観的な類似度基準
利用者 → 少数の画像サンプルから主観的な類似度基準を示す
物理的な画像特徴から、利用者の主観的な類似度を学習する
画像・画像型の類似検索 → 例示画検索 (QVE: query by visual example) と呼ぶ
GF空間を利用した例示画検索
画像に索引語(印象語)を割り当てる
印象語を主成分分析、多変量解析すると、キーワード間で類似度空間を構成できる
利用者は、各画像に印象語を割り当てる必要がある
印象語を用いる問題点: 画像特徴とキーワードの対応を直接に分析する機構を持たないため、未知の画像に対して適応できない
感性 = 利用者のイメージ = 印象語の重みベクトル
- 利用者は学習用の画像セットにそれぞれ印象語を与える
- システムは色彩特徴(GF空間)と印象語(SF空間 subjective feature space)との相関が最大になるような、統合特徴空間 (UF 空間、unified feature space )空間への写像を作る。
- UF空間は多変量解析(例えば正準相関分析)を使って作れる。
正準相関分析・・・異なったドメインのデータ間の相関関係を分析し、相関を最大に際立たせる空間を作れる。=2つの空間を結びつける手法
になる
文字・画像型の類似検索→ QBD (query by subjective description) と呼ぶ
*
数学の重要性がわかりますね。肝であるロジック部分がわからないのは致命的です。基礎を頑張りましょう。