پروژه پایتون (87190)

شرح پروژه

سلام وقتتون بخیر
یک پروژه بیگ دیتا داشتم
عنوان پروژه : پروژه بیگ دیتا -شینگلینگ 1000 تصویر
نرم افزار مورد استفاده: پایتون
توضیح پروژه:پروژه بیگ دیتا : شباهت تصاویر چطور روی تصویر شینگلینگ انجام بدهیم مثلا برای 2 تصویر: یکی از روشها این است که پیکسل به پیکسل دو تصویر را مقایسه کنیم ( پیکسل اول مقدارش چند است؟ 150 ،پیکسل دوم مقدارش چند است؟130 اختلافش میشود 20) پس از جمع همه مقادیر به تعداد تقسیم میکنیم و میشود معیار فاصله میخواهیم با استفاده از روش شینگلینگ کار را انجام دهیم. یعنی آن کلمات مشترک که در متن بود چطور میتوانیم همان کلمات مشترک را در تصویر پیدا کنیم، حال باید چکار کنیم ، میتوانیم تصویر را چند بخش کنیم، برای هر کدام از این بخش ها را یک بردارایجاد کنیم، مثلا اگر 100 هزار تصویر داریم، برای هر یک بخش از تصویر بردار درست میکنیم سپس روی بردارها کلاسترینگ انجام میدهیم پس مراحل کار این شد: تصویر را بخش بندی میکنیم. (مثلا تصویر 512*512 پیکسل تبدیل میشود به 16خانه که برای هر خانه یک بردار ویژگی ایجاد میکنیم. پس هر تصویر به تعداد خانه ها بردار به ما میدهد : مثلا 16*100000) برای هر پچ یا بلاک یک وکتور ایجاد میکنیم. کلاستر میکنیم. (خوشه بندی میکنیم) تعداد کلاستر ها همان تعداد شینگل هاست. از همه کتابخانه های پایتون می شود استفاده کرد، از چند دیسکریپتور استفاده شود بهتر است (مثلا sift - باید sift را مجبور کنیم روی یک پچ نقطه بدهد.) مجموعه داده مدنظر که می بایست در پروژه از آن استفاده شود؛ مجموعه داده Corel-1000 می باشد که پس از تایید ارسال می شود. این مجموعه داده شامل ۱۰ گروه ۱۰۰ تایی از تصاویر مختلف (مجموعا ۱۰۰۰ تصویر)، با ابعاد ۲۵۶ در ۳۸۴ پیکسل می باشد.
مهلت پروژه: 10 روز
رشته تحصیلی: هوش مصنوعی
همه فایل های مورد نیاز در فایل پیوست وجود دارد

در این تمرین دانشجویان باید تصاویر مشابه در پایگاه داده CIFAR-10 را با استفاده از مفاهیم Min Hashing و LSH مطرح شده در فصل سوم کتاب، پیدا کنند. برای انجام تکلیف ابتدا تصاویر باید به بردار ویژگی تبدیل شوند (روش تبدیل تصویر به بردار ویژگی توسط دانشجو انتخاب می شود). سپس برای ایجاد Shingle ها، کل بردارهای ویژگی باید با استفاده از یکی از الگوریتمهای خوشه بندی، خوشه بندی شوند و مراکز خوشه ها به عنوان Shingle انتخاب شوند. نکته جهت تبدیل تصویر به بردارهای ویژگی: هر یک از تصاویر باید به بخشهای مجزا (بلاک) تقسیم شوند (مثلا 16 بلاک) و برای هر بلاک یک بردار ویژگی تولید شود. سپس همه بردارها خوشه بندی می شوند. مراکز خوشه ها به عنوان shingle در نظر گرفته می شود. برای تشکیل بردار باینری هر تصویر در ماتریس مشخصه، فاصله اقلیدسی هریک از بردارهای مستخرج از بلاکهای یک تصویر را به هریک از مراکز خوشه ها محاسبه کرده و نزدیکترین مرکز خوشه (shingle) در ماتریس مشخصه مقدار 1 می گیرد.




سلام وقت بخیر
پروژه بروزرسانی شد
در این تمرین دانشجویان باید تصاویر مشابه در پایگاه داده CIFAR-10 را با استفاده از مفاهیم Min Hashing و LSH مطرح شده در فصل سوم کتاب، پیدا کنند. برای انجام تکلیف ابتدا تصاویر باید به بردار ویژگی تبدیل شوند (روش تبدیل تصویر به بردار ویژگی توسط دانشجو انتخاب می شود). سپس برای ایجاد Shingle ها، کل بردارهای ویژگی باید با استفاده از یکی از الگوریتمهای خوشه بندی، خوشه بندی شوند و مراکز خوشه ها به عنوان Shingle انتخاب شوند. نکته جهت تبدیل تصویر به بردارهای ویژگی: هر یک از تصاویر باید به بخشهای مجزا (بلاک) تقسیم شوند (مثلا 16 بلاک) و برای هر بلاک یک بردار ویژگی تولید شود. سپس همه بردارها خوشه بندی می شوند. مراکز خوشه ها به عنوان shingle در نظر گرفته می شود. برای تشکیل بردار باینری هر تصویر در ماتریس مشخصه، فاصله اقلیدسی هریک از بردارهای مستخرج از بلاکهای یک تصویر را به هریک از مراکز خوشه ها محاسبه کرده و نزدیکترین مرکز خوشه (shingle) در ماتریس مشخصه مقدار 1 می گیرد.


ضمنا می بایست شرح کاملی از نحوه انجام پروژه، تحلیل روش و مقایسه روش انجام شود. ( مثلا بحث false-positive rates، False-negative rate، پارامتر R ، پارامتر B ، مقدار S، آیا مثلا دو شکل مشابه به هم را در یک سبد قرار داده؟)
فایل CIFAR-10 پس از تایید پروژه ارسال خواهد شد.

این پروژه شامل 1 فایل مهم است، لطفا قبل از ارسال پیشنهاد حتما نسبت به بررسی این فایل اقدام فرمایید.

مهارت ها و تخصص های مورد نیاز

درباره کارفرما

Hamyarprozhe

عضویت دوازده سال پیش

55083 پروژه ثبت شده ،

20 پروژه در حال انجام ،

86 پروژه آماده دریافت پیشنهاد ،

نرخ پذیرش پیشنهاد 16%