Dolování dat z multimediálních databází. Ing. Igor Szöke Speech group ÚPGM, FIT, VUT

Rozměr: px

Začít zobrazení ze stránky:

Download "Dolování dat z multimediálních databází. Ing. Igor Szöke Speech group ÚPGM, FIT, VUT"

Bedřich Pokorný
před 8 lety
Počet zobrazení:

1 Dolování dat z multimediálních databází Ing. Igor Szöke Speech group ÚPGM, FIT, VUT

2 Obsah prezentace Co jsou multimediální databáze Možnosti dolování dat v multimediálních databázích Vyhledávání fotografií Indexace televizních zpráv Řečová syntéza Vyhledávání v audio záznamech AMI projekt Dolování dat z multimediálních 2

fotografií Indexace televizních zpráv Řečová syntéza

3 Úvod multimediální DB Slouží pro ukládání: Audio, video, obraz, text Pracují s nimi: WWW, systémy zpracování řeči (rozpoznání, syntéza), systémy video-on-demand, systémy pro práci s obrazy (fotografie, lékařské snímky), systémy hlasových schránek, indexace televizních zpráv Nároky: velké objemy dat, specializované indexační a vyhledávací algoritmy, poskytování dat v reálném čase bez výpadků Dolování dat z multimediálních 3

lékařské snímky), systémy hlasových schránek, indexace televizních zpráv Nároky: velké objemy dat,

4 Úvod dolování v MM DB Práce s pravděpodobností. Standardní relační (text) DB buď ano nebo ne. Video a zvuk (nekonečně mnoho realizací (binárních) konkrétní informace) míra věrohodnosti, podobnosti (pravděpodobnost). Nutnost použití abstrakce Techniky pro omezování velikosti prostoru (dekorelace, komprimace) Techniky pro výběr reprezentantů (shlukování) Modelování objektů (wavelety, HMM) Trénování modelů Předzpracování (časově náročné) Dolování dat z multimediálních 4

5 Úvod struktura systému Znalosti Agregace Specializované znalosti Data mining Extrakce Samostatná média Text Zvuk Video Multimediální data Dolování dat z multimediálních 5

6 Úvod struktura systému Multimediální data: např. video (televizní zprávy). Extrakce: Prostorové rozložení objektů, detekce a identifikace osob, pohyb kamery a detekce záběrů, segmentace hudba-řeč-ticho, identifikace mluvčího, rozpoznání řeči (přepis do textové podoby), detekce titulků. Data mining: Získání specializovaných znalostí z jednotlivých extrahovaných médií. Agregace: Obecná znalost získaná spojením informací ze specializovaných znalostí. Dolování dat z multimediálních 6

hudba-řeč-ticho, identifikace mluvčího, rozpoznání řeči (přepis do textové podoby), detekce titulků.

7 Podobnostní vyhledávání Vyhledávání podobností v multimediální databázi Založené na popisu (description-based): Data se indexují pomocí klíčových slov, titulku (popisu), velikosti, času vytvoření, Náročné pro manuální zpracování, nízká kvalita u automatického zpracování. Založené na obsahu (content-based): Data se indexují pomocí histogramu barev, tvaru, textury, objektů, FFT nebo wavelet transformace, Aktuálně nejčastěji používané řešení, lze dosáhnout slušných výsledků. Dolování dat z multimediálních 7

8 Vyhledávání založené na obsahu Sample-based queries: Podobnost na úrovni bodů (vzorků) nízká abstrakce. Obrázek je podvzorkován na např. 64x64, a bod po bodu porovnáván s ostatními. Feature specification queries: Podobnost na úrovni vlastností (parametrů) vyšší abstrakce. Histogram barev Detekce textur, tvaru, umístění Wavelet (FFT) transformace: možnost granularity, detekce složitých struktur Kombinace různých parametrů: wavelet + histogram + textury + Dolování dat z multimediálních 8

Feature specification queries: Podobnost na úrovni vlastností (parametrů) vyšší abstrakce.

9 Dolování asociačních pravidel Pokud je alespoň 50% horní části obrazu modrá, pravděpodobně zobrazuje oblohu. Asociace obsahu obrazu a klíčového slova. Pokud obraz obsahuje 2 modré čtverečky, pravděpodobně obsahuje červené kolečko. Asociace mezi objekty v obraze. (mohou být i prostorové) Pokud video obsahuje záběr obličeje člověka na neměnném pozadí, člověk pravděpodobně mluví. Asociace mezi videem a audiem. Dolování dat z multimediálních 9

Pokud obraz obsahuje 2 modré čtverečky, pravděpodobně obsahuje červené kolečko. Asociace mezi objekty v obraze.

10 Rozdíly s transakčními DB Obrazy s podobnými vlastnostmi při určitém rozlišení, mohou mít při vyšším rozlišení vlastnosti rozdílné. Možnost použití postupného zjemňování rozlišení. Rozdílné vnímání počtu objektů. Existence prostorových vztahů mezi objekty. Rozhodování o splnění kritérií (obraz je podobný jinému obrazu) funguje na principu prahování funkce maximum likelihood (viz. příklad detekce klíčových slov). Dolování dat z multimediálních 10

Existence prostorových vztahů mezi objekty.

11 Příklad 1. Fotografie WALRUS systém: WAvLet-based Retrieval of Userspecified Scenes (článek z roku 1999) Standardní jednoduché systémy tvoří vektor příznaků z celého obrázku (histogramy, textury, wavelety). Selhání u obrázků obsahující podobné objekty ale různě umístěné, zmenšené, atd.. Řešení pomocí plujícího okna. Vektor příznaků pro každé plující okénko Shlukování plujících okének regiony Porovnání regionů pro celou DB (R*-tree) Porovnání obrázků podle počtu a podobnosti regionů Dolování dat z multimediálních 11

vektor příznaků z celého obrázku (histogramy, textury, wavelety).

12 Příklad 1. WBIIS (starší systém) Dolování dat z multimediálních 12

13 Příklad 1. WALRUS (novější systém) Dolování dat z multimediálních 13

14 Příklad 2. Televizní noviny Určení struktury televizních novin (články z roku 2000 a 2002) Rozklad televizních novin na jednotlivá témata a dále na záběry Možnost získání klíčových snímků Popis jednotlivých segmentů Identifikace osob podle obličeje, detekce pohybu kamery, rozpoznávání gest, identifikace komentátora podle řeči, rozpoznání textu v obraze (titulky) Dolování dat z multimediálních 14

novin na jednotlivá témata a dále na záběry Možnost získání klíčových snímků Popis jednotlivých

15 Příklad 2. Televizní noviny Video (prostorový obsah): Ekvivalentní k Příkladu 1 (histogramy, wavelets, objekty, ) Video (časový obsah): Pohyb kamery, přibližování, střih, Pohyb objektů v obraze Rozdělení obrazu na segmenty, v každém segmentu se sleduje směr vektorů pohybu Audio: Detekce řečové aktivity (ticho, řeč, hudba, šum), identifikace mluvčího, rozpoznání řeči Text: Rozpoznání textových titulků Dolování dat z multimediálních 15

(časový obsah): Pohyb kamery, přibližování, střih, Pohyb objektů v obraze Rozdělení obrazu na segmenty, v

16 Příklad 2. Televizní noviny Dolování dat z multimediálních 16

17 Příklad 3. Řečová syntéza TTS systémy pracující nad daty. Velká databáze řeči, indexování, vyhledávání. Různé stupně složitosti (spojování jednotek, kontextová závislosti, prozodická omezení). Metody prozodické analýzy pracující nad daty (vyhledávání JAK říci dané slovo). Dolování dat z multimediálních 17

Různé stupně složitosti (spojování jednotek, kontextová závislosti,

18 Příklad 4. Detekce slov Dolování z audio záznamu Segmentace (ticho, řeč, hudba), segmentace na mluvčí (crosstalk) Identifikace jazyka, identifikace mluvčího, věk, pohlaví, stress, Rozpoznání řeči (LVCSR, fonémový rozpoznávač, detekce klíčových slov) Rozpoznávače mají problémy se slovy, které nejsou ve slovníku (OOV) (málo pravděpodobné slovo může nést hodně informace jména, názvy, ) Proto se používají systémy pro detekci klíčových slov (OOV) Dolování dat z multimediálních 18

jazyka, identifikace mluvčího, věk, pohlaví, stress, Rozpoznání řeči (LVCSR, fonémový rozpoznávač, detekce klíčových

19 Audio information retieval system Audio DB segmentace řeč/ticho/ostatní segmentace řečníků Vyhledávací jádro DB indexů DB modelů Vlastní aplikace KWS LVCSR Odhad pohlaví Ident. řečníka Odhad věku Ident. jazyka Dolování dat z multimediálních 19

indexů DB modelů Vlastní aplikace KWS LVCSR Odhad pohlaví

20 KWS system Parametrizace vstupních dat (signálové předzpracování; segmentace; MFCC, PLP, ). Trénování modelů Akustické modely (slovní, fonémové (kontext)). Jazykové modely (n-gramy). Rozpoznávání Řetězce slov (fonémů), Lattice slov (fonémů) Maximum likelihood funkce, prahování, detekce Dolování dat z multimediálních 20

21 Příklad KWS systému Dolování dat z multimediálních 21

22 Příklad 5. AMI AMI Augmented Multi-party Interaction Inteligentní správce meetingů Multimodální vstupní rozhraní (vícejazyčné audio a video), smart meeting room Audio vizuální sledování účastníků meetingu Modelování dialogů, interakce člověk-člověk Abstrakce obsahu, strukturování informací, indexování, vyhledávání a sumarizace Záznam a správa záznamů meetingů, přístup k informacím přes síť Dolování dat z multimediálních 22

23 AMI & MM data mining Rozpoznávání gest a akcí z videa Odvozování emocí a úmyslů z audia a videa Robustní rozpoznávání neformální konverzační řeči Využívání vedlejších textových informací (slides) Tvorba a distribuce anotované vícekanálové multimodální databáze Multimodální analýza, integrace a přístup k informacím Dolování dat z multimediálních 23

24 AMI sémantický obsah Následující tabulka ukazuje vztah mezi sémantickým obsahem meetingu a výstupu jednotlivých rozpoznávačů Po abstrakci by měl být schopen vytvořit: Souhrn meetingu Index meetingu Odpovědět na otázky: Jaký byl závěr meetingu? Jaká byla nálada na meetingu? Co se stalo? Jaký byl průběh diskuze? Kdo se zůčastnil meetingu? Byl splněn program jednání? Dolování dat z multimediálních 24

25 AMI sémantický obsah Dolování dat z multimediálních 25

26 Literatura J. Han and M. Kamber, Data Mining: Concepts and Techniques A. Natsev, R. Rastogi and K. Shim, WALRUS: A similarity Retrieval Algorithm for Image Databases (1999) M. Detyniecki and C. Marsala, Fuzzy Multimedia Mining Applied to Video News (2002) K. Shearer, C. Dorai and S. Venkatesh, Incorporating Domain Knowlage with Video and Voice Data Analysis in News Broadcasts (2000) AMI Annex 1 Description of Work (2003) Dolování dat z multimediálních 26

Podobné dokumenty

7 Další. úlohy analýzy řeči i a metody

7 Další. úlohy analýzy řeči i a metody Pokročilé metody rozpoznávánířeči Přednáška 7 Další úlohy analýzy řeči i a metody jejich řešení Výsledky rozpoznávání (slovník k 413k) frantisek_vlas 91.92( 90.18) [H= 796, D= 10, S= 60, I= 15, N=866,