Machine Learning and Data Mining in Pattern Recognition: First International Workshop, MLDM’99 Leipzig, Germany, September 16–18, 1999 Proceedings

زمینه یادگیری ماشین و داده کاوی در ارتباط با تشخیص الگو از محبوبیت فزاینده ای برخوردار است و محققان بسیاری را به خود جذب می کند. سیستم های تشخیص خودکار الگو در بسیاری از کاربردها موفق بوده اند. استفاده گسترده از این سیستم ها به توانایی آنها در سازگاری با شرایط متغیر محیطی و مقابله با اشیاء جدید بستگی دارد. این امر مستلزم قابلیت های یادگیری در قسمت های این سیستم ها است. جذابیت استثنایی یادگیری در تشخیص الگو در خود داده های خاص و مراحل مختلف پردازش آنها در یک سیستم تشخیص الگو نهفته است. این منجر به یک شاخه خاص در زمینه یادگیری ماشین می شود. در این کارگاه، رویکردهای یادگیری ماشین برای پیش پردازش تصویر، تقسیم بندی تصویر، تشخیص و تفسیر ارائه شد. سیستم های یادگیری ماشین در برنامه هایی مانند تجزیه و تحلیل اسناد و تجزیه و تحلیل تصویر پزشکی نشان داده شد. پایگاه های داده بسیاری توسعه یافته اند که حاوی منابع چندرسانه ای مانند تصاویر، پروتکل های اندازه گیری و اسناد متنی هستند. چنین سیستم هایی باید بتوانند این منابع را بر اساس محتوا بازیابی کنند. این امر مستلزم استراتژی های بازیابی و نمایه سازی خاصی برای تصاویر و سیگنال ها است. در صورتی که امکان استخراج این پایگاه‌های اطلاعاتی برای اطلاعات زیربنایی آنها وجود داشته باشد، می‌توان به محتوای پایگاه داده با کیفیت بالاتر دست یافت. چنین تکنیک های استخراج باید ویژگی خاص منابع تصویر را در نظر بگیرند. زمینه استخراج پایگاه های اطلاعاتی چند رسانه ای به تازگی شروع شده است. امیدواریم کارگاه ما بتواند بسیاری از محققان دیگر را به این موضوع جذب کند.

The field of machine learning and data mining in connection with pattern recognition enjoys growing popularity and attracts many researchers. Automatic pattern recognition systems have proven successful in many applications. The wide use of these systems depends on their ability to adapt to changing environmental conditions and to deal with new objects. This requires learning capabilities on the parts of these systems. The exceptional attraction of learning in pattern recognition lies in the specific data themselves and the different stages at which they get processed in a pattern recognition system. This results a specific branch within the field of machine learning. At the workshop, were presented machine learning approaches for image pre-processing, image segmentation, recognition and interpretation. Machine learning systems were shown on applications such as document analysis and medical image analysis. Many databases are developed that contain multimedia sources such as images, measurement protocols, and text documents. Such systems should be able to retrieve these sources by content. That requires specific retrieval and indexing strategies for images and signals. Higher quality database contents can be achieved if it were possible to mine these databases for their underlying information. Such mining techniques have to consider the specific characteristic of the image sources. The field of mining multimedia databases is just starting out. We hope that our workshop can attract many other researchers to this subject.