ビジュアルランク

VisualRank は、画像名、Web リンク、その他のテキストを検索するのではなく、 その内容を分析して比較することで画像を検索し、ランク付けするシステムです。Googleの科学者は、 2008 年に 北京で開催された国際ワールド ワイド ウェブ会議で、PageRank をGoogle 画像検索に適用する方法について説明した論文で VisualRank の研究成果を公開しました。 ^[1]

VisualRankアルゴリズムでは、コンピュータ ビジョン技術と局所性感知ハッシュ(LSH) の両方が使用されます。テキスト クエリによって開始される画像検索を考えてみましょう。画像メタデータと周囲のテキストに基づく既存の検索技術を使用して、最初の結果候補 ( PageRank ) が取得されます。この候補は、インデックス内の他の画像とともに、類似性 (事前に計算済み) に従って グラフにクラスタ化されます。次に、クラスタリングで中心性が測定され、クエリに関して最も標準的な画像が返されます。ここでの考え方は、Web ユーザー間で画像とその関連概念についての合意があれば、それらの画像はより類似していると見なされるというものです。VisualRank は によって反復的に定義されます。ここで、 は画像類似性マトリックスです。マトリックスが使用されると、固有ベクトル中心性が尺度として適用され、 と を繰り返し乗算して、探している固有ベクトルが生成されます。明らかに、画像類似性尺度は、基礎となるグラフ構造を決定するため、VisualRank のパフォーマンスにとって重要です。 ${\displaystyle VR=S^{*}\times VR}$${\displaystyle S^{*}}$${\displaystyle VR}$${\displaystyle S^{*}}$

メインの VisualRank システムは、スケール不変特徴変換(SIFT)を使用して画像からローカル特徴ベクトルを抽出することから始まります。ローカル特徴記述子は、回転、スケール、および遠近法の変換が可能な画像間の類似性を考慮できるため、カラー ヒストグラムの代わりに使用されます。次に、p 安定分布スキームを使用して、これらの特徴ベクトルに局所性に敏感なハッシュが適用されます。これに加えて、AND/OR 構造を使用した LSH 増幅が適用されます。適用されたスキームの一部として、標準の下でガウス分布が使用されます。 ${\displaystyle \ell_{2}}$

• ニューヨークタイムズの記事
• スラッシュドットの記事