TÌM KIẾM ẢNH THEO NGỮ NGHĨA DỰA TRÊN CẤU TRÚC iRS-TREE VÀ ONTOLOGY

jos.hueuni.edu.vn Tập 131, Số 2A, 2022 161 2 Các công trình liên quan Trong những thập niên gần đây, nhiều công trình đã sử dụng các kỹ thuật học máy và công nghệ ontology cho bài toán truy vấn ảnh theo nội dung và theo tiếp cận ngữ nghĩa để cải thiện hiệu suất hệ thống cụ thể như sau: Filali và cs. [9] đề xuất xây dựng từ vựng và ontology dựa trên các chú thích hình ảnh của bộ ảnh ImageCLEF. Quá trình truy xuất hình ảnh được thực hiện bằng cách tích hợp cả các đặc trưng cấp thấp và độ tương đồng về ngữ nghĩa hình ảnh. Các ontology được làm phong phú bằng các khái niệm và mối quan hệ được trích xuất từ tài nguyên từ vựng BabelNet. Tuy nhiên, hệ thống đề xuất chưa kết hợp giữa tìm kiếm hình ảnh theo đặc trưng cấp thấp với khái niệm ngữ nghĩa và truy vấn ngữ nghĩa của hình ảnh; do đó, hệ thống chưa được đánh giá và so sánh với các công trình nghiên cứu khác. Ruan và cs. [10] giới thiệu một khung để truy xuất hình ảnh theo ngữ nghĩa dựa trên ontology phụ thuộc miền. Manzoor và cs. [11] sử dụng ontology miền để truy xuất hình ảnh có liên quan đến truy vấn của người dùng. Người dùng có thể đưa ra khái niệm dưới dạng nhập văn bản hoặc có thể tự nhập hình ảnh. Gowri và Nagara [12] trình bày một hệ thống truy xuất hình ảnh được lập chỉ mục ngữ nghĩa sử dụng các đặc trưng cấp thấp của hình ảnh và ngôn ngữ ontology web. Liu và cs. [13] giới thiệu một phương pháp học ngữ nghĩa dựa trên ontology liên kết các phân loại hình ảnh với các đối tượng trong ảnh. Sulaiman và cs. [14] trình bày một khung ontology đa phương thức để mô tả ngữ nghĩa hình ảnh. Nhìn chung,

các phương pháp tiếp cận tập trung vào việc cung cấp cơ chế để lập bản đồ các đặc trưng cấp thấp với các khái niệm ngữ nghĩa cấp cao để giảm khoảng cách ngữ nghĩa. Tuy nhiên, vấn đề này mới chỉ được giải quyết một phần vì các phương pháp đề xuất phụ thuộc vào ontology miền hợp lý, các dữ liệu lớn và các ngôn ngữ truy vấn. Các công trình nghiên cứu liên quan cho thấy một số hệ thống truy xuất hình ảnh dựa trên chú thích bằng cách sử dụng ontology; đồng thời, ngôn ngữ truy vấn bộ ba SPARQL được sử dụng để thực hiện truy vấn. Bên cạnh đó, nhiều công trình nghiên cứu đã áp dụng các kỹ thuật trích xuất đặc trưng truyền thống và các kỹ thuật học sâu áp dụng cho các hệ truy vấn ảnh. Ahmed và cs. [15] đã trích xuất các đặc trưng màu từ ảnh RGB và sử dụng hình ảnh mức xám cho các đặc trưng cục bộ. Tuy nhiên, trong nghiên cứu này, các tác giả chỉ thực hiện lập chỉ mục trên cơ sở chủ quan và chưa đề xuất cấu trúc lập chỉ mục dữ liệu để cải thiện hiệu suất truy xuất. Nhóm tác giả đã thực nghiệm truy vấn top 10 hình ảnh với độ chính xác của giá trị 87,1% (COREL) và 98,7% (Oxford Flowers 102). Tuy nhiên, với top 40 hình ảnh, độ chính xác là 72,1% (COREL) và 71,4% (Oxford Flowers 102). Zeng và cs. [16] đã phát triển một phương pháp băm để khoanh vùng các đối tượng phân biệt chi tiết và tạo ra các mã nhị phân hiệu quả. Nhóm tác giả đã thiết kế một kiến trúc mới, thực hiện đồng thời việc huấn luyện các vùng cục bộ và tạo mã bảng băm. Hai nhiệm vụ này được hiệu chỉnh và có thể bổ sung cho nhau. Bên cạnh đó, các vùng đa tỉ lệ được học bằng cách sử