Multimedia-Abfrage durch unsupervisiertes, auf Hypergraphen basierendes Manifold-Ranking

Die präzise Rangordnung von Bildern und multimedialen Objekten ist für zahlreiche Retrieval- und Lernaufgaben von entscheidender Bedeutung. Mannigfaltigkeitslernverfahren wurden insbesondere aufgrund ihrer Fähigkeit untersucht, die intrinsische globale Mannigfaltigkeitsstruktur zu berücksichtigen. In diesem Artikel wird ein neuartiger Mannigfaltigkeits-Ranking-Algorithmus vorgestellt, der auf Hypergraphen basiert und für unüberwachte multimedialen Retrieval-Aufgaben geeignet ist. Im Gegensatz zu herkömmlichen graphbasierten Ansätzen, die lediglich paarweise Beziehungen darstellen, ermöglichen Hypergraphen die Modellierung von Ähnlichkeitsbeziehungen innerhalb einer Gruppe von Objekten. Der vorgeschlagene Ansatz nutzt Hyperkanten zur Konstruktion einer kontextuellen Darstellung von Datensamples und erschließt die kodierten Informationen, um eine effektivere Ähnlichkeitsfunktion abzuleiten. Eine umfassende experimentelle Evaluierung wurde auf neun öffentlichen Datensätzen durchgeführt, die unterschiedliche Retrieval-Szenarien und multimedialen Inhalte umfassen. Die experimentellen Ergebnisse zeigen, dass im Vergleich zu aktuellen State-of-the-Art-Methoden erhebliche Effektivitätssteigerungen erzielt werden können.