Metody redukce dimensionality vektorových prostorů

Bc. Jan Brázdil

Diplomová práce

Dimensionality reduction methods for vector spaces

Anotace:

Tato práce se pokouší řešit problém velkých dat pro podobnostní vyhledávání obrázků za pomoci metod pro redukci dimensionality. V této práci je vyhodnocena metoda analýzy hlavních komponent na velké datové sadě obrázkových deskriptorů DeCAF. Bylo zjištěno, že analýza hlavních komponent může být použita na zmenšení velikosti dat až stokrát, a to za zachování vysoké přesnosti, použitím pročištění kandidátní množiny.

Abstract:

This thesis tries to approach the problem of large data in image similarity search by using a dimensionality reduction method. In this thesis the principal component analysis is evaluated on a large data set of DeCAF image descriptors. It was found that the principal component analysis can be used to reduce the size of the data up to one hundred times while keeping high precision by using a candidate set refinement.

Keywords

Dimensionality Reduction, Similarity Search, Principal Component Analysis, DeCAF

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 30. 5. 2016

Obhajoba závěrečné práce

• Obhajoba proběhla 1. 7. 2016
• Vedoucí: prof. Ing. Pavel Zezula, CSc.
• Oponent: RNDr. David Novák, Ph.D.

Masarykova univerzita

Fakulta informatiky

Magisterský studijní program / obor:
Informatika / Umělá inteligence a zpracování přirozeného jazyka