MARC

 008240306s2023        s  |          s        0000c|  eng  d
■001000016934634
■00520240214101636
■006m          o    d                
■007cr
■020    ▼a9798380316040
■035    ▼a(MiAaPQ)AAI30631748
■040    ▼aMiAaPQ▼cMiAaPQ
■08204▼a004
■090    ▼a전자도서(박사논문)
■1001  ▼aMall,  Utkarsh  Kumar.▼0(orcid)0009-0002-5302-0657
■24510▼aVisual  Discovery  from  Spatio-Temporal  Imagery▼h[electronic  resource]▼cUtkarsh  Kumar  Mall
■260    ▼a[S.l.]▼bCornell  University.  ▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a1  online  resource(p.301  )
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  Bala,  Kavita;Hariharan,  Bharath.
■5021  ▼aThesis  (Ph.D.)--Cornell  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aFrom  social  media  to  street  view  and  all  the  way  to  satellite  images,  we  are  capturing  visual  data  at  an  unprecedented  scale.  These  images  tell  a  story  about  our  planet.  With  advances  in  automatic  recognition,  we  can  build  a  collective  understanding  of  world-scale  events  as  recorded  through  visual  media.  Such  insights  have  the  potential  to  be  useful  for  various  experts  in  their  domain  such  as  cultural  anthropologists  and  ecologists.  However,  discovering  such  rare  yet  interesting  insights  from  the  data  is  very  challenging.  First,  it  requires  recognition  models  that  have  an  expert-level  understanding  of  such  visual  domains.  Second,  it  requires  tools  that  can  leverage  such  models  and  large-scale  spatio-temporal  data  and  discover  novel  insights.  In  this  dissertation,  we  first  look  at  ways  of  building  and  improving  automatic  recognition  models  in  such  expert  domains.  More  specifically  we  look  at  how  we  can  efficiently  learn  a  representation  for  such  domains  with  either  no  supervision  or  with  text  or  attribute-based  supervision.  We  specifically  work  with  domains  that  require  expertise  for  understanding  such  as  ornithology  or  remote  sensing.  These  methods  not  only  aim  to  make  the  recognition  models  more  cost-efficient  but  also  more  practical  to  be  used  with  experts.  More  specifically  we  present  an  unsupervised  method  to  learn  representation  in  the  satellite  image  domain.  Then  we  look  at  an  attribute-based  model  for  bird  classification  (and  other  attribute-based  domains)  and  introduce  ways  to  make  it  more  practical  and  label-efficient  to  work  with.We  then  present  methods  that  can  discover  novel  insights  without  any  supervision  by  looking  at  large-scale  spatio-temporal  visual  data.  These  methods  make  use  of  domain-specific  vision  models  to  make  the  discovery.  More  specifically,  we  use  these  methods  to  understand  fashion  trends  and  discover  cultural  phenomena  and  social  events  around  the  world  by  looking  at  fashion  images  from  social  media.  Broadening  our  domain  to  include  satellite  imagery,  we  introduce  completely  unsupervised  techniques  to  discover  interesting  change  events  across  the  planet  from  satellite  images.  This  general  framework  can  be  potentially  applied  in  different  visual  domains  ranging  from  sustainability  to  online  commerce  to  discover  interesting  phenomena  in  those  domains.
■590    ▼aSchool  code:  0058.
■650  4▼aComputer  science.
■650  4▼aComputer  engineering.
■650  4▼aRemote  sensing.
■653    ▼aComputer  vision
■653    ▼aDiscovery
■653    ▼aMachine  learning
■653    ▼aUnsupervised  learning
■653    ▼aSocial  media
■653    ▼aSatellite  images
■690    ▼a0984
■690    ▼a0464
■690    ▼a0800
■690    ▼a0799
■71020▼aCornell  University▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0058
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16934634▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서