1. SISN
  2. Всі випуски
  3. Випуск 18 (Частина 2), 2025
  4. Метод чисельної оптимізації кластеризації у системах пошуку зображень на основі вмісту

Метод чисельної оптимізації кластеризації у системах пошуку зображень на основі вмісту

SISN.
2025;
Випуск 18
: cc. 30 - 46
Автори:
  1. Станіслав Даниленко
  2. Сергій Смеляков
1
Харківський національний університет радіоелектроніки, кафедра Програмної інженерії, Україна
2
Харківський національний університет радіоелектроніки, кафедра Програмної інженерії, Україна

Об’єктом дослідження є процес організації сховища дескрипторів у системах пошуку зображень на основі вмісту. Предметом дослідження є метод чисельної оптимізації кластеризації дескрипторів у багатовимірному просторі. Метою даної роботи є розроблення методу оптимізації кластеризації в моделі Багатовимірний Куб для підвищення ефективності пошуку. Основна ідея полягає у забезпеченні рівномірного розподілу дескрипторів між кластерами шляхом коригування меж інтервалів у кожному вимірі, що дозволяє зменшити дисбаланс наповненості кластерів і покращити швидкодію пошуку. Методологія дослідження поєднує аналітичне визначення кількості кластерів та чисельну оптимізацію розподілу дескрипторів за інтервалами. Запропонований метод отримав назву Dimension Intervals Numeric Optimization Algorithm та реалізований у двох варіантах - для розміщення моделі у зовнішньому реляційному сховищі та для розміщення в оперативній пам’яті. Теоретичний аналіз складності показав, що запропонований підхід не потребує багаторазових ітерацій, на відміну від конкурентів, з якими виконувалося порівняння, методу k-means та підходу Inverted Multi-Index, і має нижчу асимптотичну складність. Експериментальні дослідження виконано на наборі дескрипторів зображень. Вони показали, що k-means забезпечує найвищу якість кластеризації за наповненістю кластерів, проте вимагає значно більше часу. Запропонований метод у варіанті з оперативною пам’яттю продемонстрував найкращий баланс між якістю та швидкодією, наближаючись за якістю до Inverted Multi-Index, але перевершуючи його за часом виконання. Реалізація у зовнішньому сховищі виявилася повільнішою через наклад- ні витрати на опрацювання запитів, проте є доцільною у масштабованих системах з централізованими базами даних. Застосування розробленого методу чисельної оптимізації дозволяє досягти більш рівномірного розподілу дескрипторів між кластерами, зменшити дисбаланс їхньої наповненості.

пошук зображень на основі вмісту
кластеризація
Багатовимірний Куб
оптимізація
дескриптори зображень
ефективність пошуку
сховища даних
обчислювальна складність
  1. Ai, L., Cheng, H., Wang, X., Chen, C., Liu, D., Zheng, X., & Wang, Y. (2022). Approximate Nearest Neighbor Search Using Enhanced Accumulative Quantization. Electronics, 11(14), 2236. https://doi.org/10.3390/- electronics11142236.
  2. Alsmadi, M. K. (2020). Content-Based Image Retrieval Using Color, Shape and Texture Descriptors and Features. Arabian Journal for Science and Engineering, 45(4), 3317–3330. https://doi.org/10.1007/s13369-020- 04384-y.
  3. Babenko, A., & Lempitsky, V. (2012). The inverted multi-index. 2012 IEEE Conference on Computer Vision and Pattern Recognition, 3069–3076. IEEE. Retrieved from https://doi.org/10.1109/cvpr.2012.6248038.
  4. Badshah, A., Daud, A., Alharbey, R., Banjar, A., Bukhari, A., & Alshemaimri, B. (2024). Big data applications: overview, challenges and future. Artificial Intelligence Review, 57(11). https://doi.org/10.1007/s10462-024- 10938-5.
  5. Bano, S., & Khan, M. N. A. (2018). A Survey of Data Clustering Methods. International Journal of Advanced Science and Technology, 113, 133–142. https://doi.org/10.14257/ijast.2018.113.14.
  6. Chembian, W. T., Senthilkumar, G., Prasanth, A., & Subash, R. (2024). K-means Pelican Optimization Algorithm based Search Space Reduction for Remote Sensing Image Retrieval. Journal of the Indian Society of Remote Sensing, 53(1), 101–115. https://doi.org/10.1007/s12524-024-01994-z.
  7. Chen, Y., Long, Y., Yang, Z., & Long, J. (2025). Unsupervised random walk manifold contrastive hashing for multimedia retrieval. Complex & Intelligent Systems, 11(4). https://doi.org/10.1007/s40747-025-01814-y.
  8. Clissa, L., Lassnig, M., & Rinaldi, L. (2023). How big is Big Data? A comprehensive survey of data production, storage, and streaming in science and industry. Frontiers in Big Data, 6. https://doi.org/10. 3389/fdata.2023.1271639.
  9. COCO. Retrieved from Common Objects in Context website: https://cocodataset.org/#home.
  10. Danylenko, S., & Smelyakov, S. (2025). Development of a multidimensional data model for efficient content-based image retrieval in big data storage. Radioelectronic and Computer Systems, 2025(1), 137–152. https://doi.org/10.32620/reks.2025.1.10.
  11. facebookresearch. GitHub - facebookresearch/faiss: A library for efficient similarity search and clustering of dense vectors. Retrieved February 9, 2025, from GitHub website: https://github.com/facebookresearch/faiss.
  12. Ge, T., He, K., Ke, Q., & Sun, J. (2013). Optimized Product Quantization for Approximate Nearest Neighbor Search. 2013 IEEE Conference on Computer Vision and Pattern Recognition. IEEE. Retrieved from https://doi.org/10.1109/cvpr.2013.379.
  13. Gupta, D., Loane, R., Gayen, S., & Demner-Fushman, D. (2023). Medical image retrieval via nearest neighbor search on pre-trained image features. Knowledge-Based Systems, 278, 110907. https://doi.org/10.1016/ j.knosys.2023.110907.
  14. Jatakia, V., Korlahalli, S., & Deulkar, K. (2017). A survey of different search techniques for big data. 2017 International Conference on Innovations in Information, Embedded and Communication Systems (ICIIECS), 1–4. IEEE. Retrieved from https://doi.org/10.1109/iciiecs.2017.8275939.
  15. Jégou, H., Douze, M., & Schmid, C. (2011). Product Quantization for Nearest Neighbor Search. IEEE Transactions on Pattern Analysis and Machine Intelligence, 33(1), 117–128. https://doi.org/10.1109/tpami.2010.57.
  16. Jiang, X., & Hu, F. (2024). Multi-scale Adaptive Feature Fusion Hashing for Image Retrieval. Arabian Journal for Science and Engineering. https://doi.org/10.1007/s13369-024-09627-w.
  17. Li, X., Yang, J., & Ma, J. (2021). Recent developments of content-based image retrieval (CBIR). Neurocomputing, 452, 675–689. https://doi.org/10.1016/j.neucom.2020.07.139.
  18. Liu, J., Zhao, M., & Zhan, C. (2024). Deep Representation-Based Fuzzy Graph Model for Content-Based Image Retrieval. International Journal of Fuzzy Systems, 26(6), 2011–2022. https://doi.org/10.1007/s40815-024- 01682-7.
  19. Malkov, Y. A., & Yashunin, D. A. (2020). Efficient and Robust Approximate Nearest Neighbor Search Using Hierarchical Navigable Small World Graphs. IEEE Transactions on Pattern Analysis and Machine Intelligence, 42(4), 824–836. https://doi.org/10.1109/tpami.2018.2889473.
  20. RezaAbbasifard, M., Ghahremani, B., & Naderi, H. (2014). A Survey on Nearest Neighbor Search Methods.International Journal of Computer Applications, 95(25), 39–52. https://doi.org/10.5120/16754-7073.
  21. Tiwari, V. R. (2023). Developments in KD Tree and KNN Searches. International Journal of Computer Applications, 185(17), 17–23. https://doi.org/10.5120/ijca2023922879.
  22. Vopson, M. M. (2020). The information catastrophe. AIP Advances, 10(8). https://doi.org/10.1063/5.0019941. Wu, Q., Yu, Y., Zhou, L., Lu, Y., Chen, H., & Qian, X. (2023). Storage and Query Indexing Methods on Big Data.
  23. Arabian  Journal  for  Science  and  Engineering,  49(5),  7359–7374.  https://doi.org/10.1007/s13369-023- 08175-z.