exit

Arjun Satish
Confluent Inc - Palo Alto - CA

Ramesh Jain
University of California - Irvine - CA

Amarnath Gupta
SDSC - University of California - San Deigo



Published on 6 February 2018   DOI : 10.21494/ISTE.OP.2018.0212

Abstract

Résumé

Keywords

Mots-clés

Specifying the search space is an important step in designing multimedia annotation systems. With the large amount of data available from sensors and web services, context-aware approaches for pruning search spaces are becoming increasingly common. In these approaches, the search space is limited by the contextual information obtained from a fixed set of sources. For example, a system for tagging faces in photos might rely on a static list of candidates obtained from the photo owner’s Facebook profile. These contextual sources can get extremely large, which leads to lower accuracy in the annotation problem.
We present our novel Context Discovery Algorithm, a technique to progressively discover the most relevant search space from a dynamic set of context sources. This allows us to reap the benefits of context, while keeping the size of the
search space within bounds.
As a concrete application for our approach, we present a simple photo management application, which tags faces of people in a user’s personal photos. We empirically study the role of our framework in the face tagging application to tag photos taken at real world events, such as conferences, weddings or social gatherings. Our results show that the availability of event context, and its dynamic discovery, can produce 97.5% smaller search spaces with at least 93% correct tags.

Spécifier un espace de recherche représente une étape importante dans la conception de systèmes d’annotation multi-média. Avec une grande quantité de données provenant de capteurs et de services Web, les approches sensible au contexte deviennent de plus en plus usuelles pour élaguer les espaces de recherche. Dans ces approches, l’espace de recherche est limité par les informations contextuelles qui sont obtenues à partir d’un ensemble donné de sources. Par exemple, un système pour marquer les visages dans des photos pourrait reposer sur une liste statique de candidats obtenus à partir de photos de personnes sur leur profil FaceBook. Ces sources contextuelles peuvent devenir très volumineuses, ce qui peut conduire à une précision plus faible dans le problème des annotations. Nous présentons un nouvel algorithme de découverte du contexte, une technique pour découvrir progressivement l’espace de recherche le plus pertinent pour un ensemble dynamique de sources contextuelles. Ceci nous permet de recueillir les bénéfices du contexte tout en gardant la taille de l’espace de recherche à une taille raisonnable. Comme concrète application de notre approche, nous présentons une application simple de management de photos, où les visages de personnes sont marqués à partir de photos privées d’un utilisateur. Nous étudions empiriquement le rôle de notre cadre de travail dans l’application de marquage de visages pour marquer des photos prises lors d’événements sociaux comme des conférences, des mariages ou de rassemblements sociaux. Nos résultats montrent que la disponibilité du contexte des événements et sa découverte dynamique peut produire des espaces de recherche plus petits de 97.5% avec au moins 93% de marquages corrects.

Context-based Reasoning Search Space Pruning

Raisonnement basé sur le contexte élagage d’un espace de recherche reconnaissance de visages