Sen-ching S. Cheung, Member, IEEE, and Avideh Zakhor, Fellow, IEEE
Abstract -
- 這篇基本上是延續上一篇論文，上一篇提出的一個方法
- randomized technique called the video signature (ViSig) method for video similarity
measurement. - 拿 4 種方式比較，ViSig 比這四種好.
- PCA, Fastmap, Triangle-Inequality Pruning, and Haar wavelet
- 在這篇paper, 主要兩個重點
- 特徵提取的快速相似性搜索
- 以及clustering algorithm來確定類似集群
- 最後提到的方式是針對 local data 找出某個 threshold，在比較相似的圖.
- 他的目的也是想利用搜索引擎來找出類似視頻版權內容的法律 issue.
- 又提到（ ViSig ），兩幀之間部分類似的共同序列。 ViSig產生一個 簽名並以database儲存.並可以處裡序列時間大不相同的問題.
- 公式: ( 看來也是要分類進行)
- warping distance[3]–[5]
- Hausdorff distance [6]
- template matching[7]
- 他也拿以下公式比較，他的更優，複雜度更低
- 密度參數[ 8 ] -[ 1 0]
- 關鍵幀或中心點[ 6 ]
- 基於上一篇ViSig ，本文提出兩個重點
- A. Fast Similarity Search
- 針對大型DB的比對，Elaborate data structures 統稱為spatial access methods（ SAM ）有提出一些公式 [11]–[13].但對於高維度的空間資料並不方便.
- Principal Component Analysis (PCA)已被證明是最佳的近似Euclidean distance[ 15 ].
- Multidimensional dimension scaling (MDS) 可用在高維度相似搜尋並解決了非線性優化問題, 但過於複雜.
- Fastmap mapping 是一種低覆雜度的演算法，由Faloutsos and Lin [18].提出，使用heuristics algorithm 求歐幾里德的近似值. 產生 Fastmap mapping時，時間的覆雜性對於DataBase 的大小呈線性的關系.
- B. Similarity Clustering
- SectionII-A 討論如何做出一個簽名.
- SectionII-B 在 A 架構之下，如何快速搜尋.
- SectionII-C 對於他的公式建議.
- SectionII A:
Memo:
- PCM(Principle Component Analysis:主要成分分析法
- ICA(Independent Component Analysis):獨立成份分析法
- 上面兩種用意皆類似DCT，用意再捨棄變異小的變數，一樣是失真，屬於非高斯分布( nongaussian)實作方式常見於KLT(Karhunan-Loeve Transform)，相較於複雜度高於DCT.
- PCA - Principal Component Analysis with Missing Data
- http://www.cmlab.csie.ntu.edu.tw/~cyy/learning/tutorials/PCAMissingData.pdf
Questions:
- Fellow - 研究員?...是指 Avideh Zakhor 是IEEE的 Fellow , Cheung 是 IEEE Member? 很有名氣的意思嗎? 這樣算是 Avideh Zakhor 掛名嗎?
- 在Introduction 有提到受到兩個單位贊助，這個放Introduction?
- Air Force Office of Scientific Research (AFOSR)
- National Science Foundation (NSF).
