Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Hybrid Strategies Towards Safe “Self-Aware” Superintelligent Systems Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Semantic Image Retrieval by Uniting Deep Neural Networks and Cognitive Architectures

verfasst von : Alexey Potapov, Innokentii Zhdanov, Oleg Scherbakov, Nikolai Skorobogatko, Hugo Latapie, Enzo Fenoglio

Erschienen in: Artificial General Intelligence

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Image and video retrieval by their semantic content has been an important and challenging task for years, because it ultimately requires bridging the symbolic/subsymbolic gap. Recent successes in deep learning enabled detection of objects belonging to many classes greatly outperforming traditional computer vision techniques. However, deep learning solutions capable of executing retrieval queries are still not available. We propose a hybrid solution consisting of a deep neural network for object detection and a cognitive architecture for query execution. Specifically, we use YOLOv2 and OpenCog. Queries allowing the retrieval of video frames containing objects of specified classes and specified spatial arrangement are implemented.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Vision System for AGI: Problems and Directions
Nächstes Kapitel The Temporal Singularity: Time-Accelerated Simulated Civilizations and Their Implications
Literatur
1.
Smeulders, A.W., Worring, M., Santini, S., Gupta, A., Jain, R.: Content-based image retrieval at the end of the early years. IEEE Trans. Pattern Anal. Mach. Intell. 22(12), 1349–1380 (2000)CrossRef
2.
Thanga Ramya, S., Rangarajan, P.: Knowledge based methods for video data retrieval. Int. J. Comput. Sci. Inf. Technol. (IJCSIT) 3(5), 165–172 (2011)
3.
Manzoor, U., Balubaid, M.A., Zafar, B., Umar, H., Khan, M.Sh.: Semantic image retrieval: an ontology based approach. (IJARAI) Int. J. Adv. Res. Artif. Intell. 4(4) (2015)
4.
5.
6.
Liu, H., Wang, R., Shan, Sh., Chen, X.: Deep supervised hashing for fast image retrieval. In: IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 2064–2072 (2016)
7.
Varga, D., Szirányi, T.: Fast content-based image retrieval using convolutional neural network and hash function. In: IEEE International Conference on Systems, Man, and Cybernetics (SMC) (2016)
8.
Karpathy, A., Li, F.-F.: Deep visual-semantic alignments for generating image descriptions. CoRR, abs/1412.2306 (2014)
9.
10.
Quinn, M., Conser, E., Witte, J., Mitchell, M.: Semantic image retrieval via active grounding of visual situations. arXiv:​1711.​00088 [cs.CV] (2017)
11.
Celebi, E., Alpkocak, A.: Semantic image retrieval and auto-annotation by converting keyword space to image space. In: 12th International IEEE Multi-Media Modelling Conference Proceedings (2006)
12.
Singh, N., Dubey, S., Dixit, P., Gupta, J.: Semantic image retrieval using multiple features. In: Meghanathan, N., et al. (eds.) SIPM, FCST, ITCA, WSE, ACSIT, CS & IT 06, pp. 277–284 (2012)
13.
14.
Subramanyam, V., RallabandiSett, R.: Knowledge-based image retrieval system. Knowl. Based Syst. 21(2), 89–100 (2008)CrossRef
15.
16.
Goertzel, B., Pennachin, C., Geisweiller, G.: Engineering General Intelligence, Part 2: A Path to Advanced AGI via Embodied Learning and Cognitive Synergy. Atlantis Publishing Corporation (2014)
17.
18.
Johnson, J., et al.: Image retrieval using scene graphs. In: IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (2015)
19.
Redmon, J., Divvala, S., Girshick, R., Farhadi, A.: You only look once: unified, real-time object detection. arXiv:​1506.​02640 (2015)
20.
Li, Y., He, K., Sun, J., et al.: R-FCN: object detection via region based fully convolutional networks. In: Advances in Neural Information Processing Systems, pp. 379–387 (2016)
21.
Hofstadter, D.R., Mitchell, M.: The copycat project: a model of mental fluidity and analogy-making. In: Holyoak, K., Barnden, J. (eds.) Advances in Connectionist and Neural Computation Theory. Ablex Publishing Corporation (1994)
22.
Metadaten
Titel
Semantic Image Retrieval by Uniting Deep Neural Networks and Cognitive Architectures
verfasst von
Alexey Potapov
Innokentii Zhdanov
Oleg Scherbakov
Nikolai Skorobogatko
Hugo Latapie
Enzo Fenoglio
Copyright-Jahr
2018
Buch
Artificial General Intelligence

Print ISBN: 978-3-319-97675-4

Electronic ISBN: 978-3-319-97676-1

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-97676-1_19