Imprecision & Subjectivity

Imprecision & Subjectivity 

• Feature Extraction umumnya tidak tepat
  Misalnya, tingkat kesalahan yang tinggi ditemui dalam data motion-capture dan umumnya disebabkan oleh banyak faktor lingkungan yang terlibat, termasuk kamera dan kecepatan objek. Khusus untuk video / audio / gerak aliran, data yang diambil melalui modul ekstraksi fitur hanya statistik yang akurat dan dapat didasarkan pada frame rate atau posisi kamera video yang berhubungan dengan objek yang diamati
• Multimedia querying system often rely on “similarity” query (v.s. exact matching)
  Sebaliknya, dalam banyak kasus, database multimedia perlu mempertimbangkan fitur nonidentical tetapi mirip dengan menemukan objek data yang wajar untuk query. Dalam banyak kasus, hal ini juga diperlukan untuk memperhitungkan kesamaan semantik antara penjelasan terkait dan parsialnya, di mana benda-benda berhasil pada beberapa persyaratan dalam query tetapi gagal untuk memenuhi semua kondisi query.
• Ketidaktepatan dapat disebabkan struktur indeks yang tersedia, yang sering tidak sempurna.
  Karena ukuran data, banyak sistem bergantung pada clustering dan klasifikasi algoritma untuk kadang-kadang tidak sempurna pemangkasan alternatif pencarian selama pemrosesan query.
• Query formulation methods vs user’s subjective intention: Query by example, Query by Description, Query by profile/recommendation
  
  

Different types of queries that an image database may support

• Find all images created by “John Smith” 
• Find all images that look like “query.gif” 
• Find top-5 images that look like “im ex.gif” 
• Find all images that look like “mysketch.bmp” 
• Find all images that contain a part that looks like “query.gif” 
• Find all images of “sunny days” 
• Find all images that contain a “car” 
• Find all images that contain a “car” and a man who looks like “mugshot.bmp” 
• Find all image pairs that contain similar objects 
• Find all objects contained in images of “sunny days” 
• Find all images that contain two objects, where the first object looks like “im ex.gif,” the second object is something like a “car,” and the first object is “to the right of” the second object; also return the semantic annotation available for these two objects 
• Find all new images in the database that I may like based on my list of preferences 
• Find all new images in the database that I may like based on my profile and history 
• Find all new images in the database that I may like based on access history of people who are similar to me in their preferences and profiles
• select image P, imageobject object1, object2 where contains(P, object1) and contains(P, object2) and (semantically_similar(P.semanticannotation, "Fuji Mountain") and visually_similar(object1.imageproperties, "Fujimountain.jpg")) and (semantically_similar(P.semanticannotation, "Lake") and visually_similar(object2.imageproperties, "Lake.jpg")) and above(object1, object2).

Classification of MM Queries 

• Range Query
  Mengingat jarak atau ukuran kesamaan, tujuan dari query range adalah untuk menemukan perbandingan di database yang berada dalam ambang yang terkait dengan query.
• Nearest Neighbor Query
  Tidak seperti query range, di mana ada batas pada tingkat yang dapat diterima dari pencocokan, di Nearest Neighbor query ada ambang pada jumlah hasil yang dikembalikan oleh sistem. Dengan demikian, ini juga dikenal sebagai Top-K Query (dimana k adalah jumlah objek pengguna). Karena jarak antara permintaan dan data media yang cocok tidak diketahui sebelumnya, pemangkasan isi database dilakukan sehingga tidak semua data objek dianggap sebagai kandidat.

Retrieval System Performance

• False Positive : Di munculkan sistem (menurut manusia ini salah)
• True Positive : Di munculkan sistem (menurut manusia ini benar)
• False Negative : Tidak di munculkan sistem (menurut manusia ini salah)
• True Negative : Tidak di munculkan sistem(menurut manusia ini benar)
• Precission : Seberapa tepat Sistem
• Recall : Kemampuan menghasilkan secara keseluruhan
• F-Measure

Misalnya dalam sebuah kelas ada 3 orang wanita (Diny, Milka, Ilmi) dan 5 orang laki-laki (Lukman, Ikra, Budi, Andri, Dedi). Query : Tampilkan 2 orang Pria.

Lalu sistem menampilkan Budi dan Ilmi. Maka:

False Positif = 1 (Ilmi)

True Positif = 1 (Budi)

False Negative = 4 (Lukman, Ikra, Andri, Dedi)

True Negative = 2 (Diny, Milka)

Precission = 1/(1+1) = 1/2

Recall = 1/(1+4) = 1/5