Một cấu trúc đồ thị cho dữ liệu ảnh số
lượt xem 1
download
Trong bài báo "Một cấu trúc đồ thị cho dữ liệu ảnh số", một cấu trúc dữ liệu đồ thị được đề xuất và thiết kế cho dữ liệu ảnh số được trình bày với kết quả tìm kiếm ảnh thu được là khá tốt trên hệ quản trị cơ sở dữ liệu đồ thị Neo4J. Mời các bạn cùng tham khảo!
Bình luận(0) Đăng nhập để gửi bình luận!
Nội dung Text: Một cấu trúc đồ thị cho dữ liệu ảnh số
- Kỷ yếu Hội thảo khoa học Khoa Công nghệ thông tin, năm 2024 MỘT CẤU TRÚC ĐỒ THỊ CHO DỮ LIỆU ẢNH SỐ Nguyễn Thị Kim Dung1, Nguyễn Tửu Tiến1, Dương Thị Phương Thi1, Nguyễn Thanh Tịnh2, Nguyễn Thị Định1,* Trường Đại học Công Thương Thành phố Hồ Chí Minh 1 2 Trường Trung Học Cơ sở Nguyễn Tri Phương Quận 10, TP. HCM * Email: dinhnt@huit.edu.vn Ngày nhận bài: 08/04/2024; Ngày chấp nhận đăng: 20/05/2024 TÓM TẮT Ảnh số gia tăng nhanh theo thời gian là thách thức cho vấn đề lưu trữ và tìm kiếm trong tập dữ liệu lớn. Trong bài báo này, một cấu trúc dữ liệu đồ thị được đề xuất và thiết kế cho dữ liệu ảnh số được trình bày với kết quả tìm kiếm ảnh thu được là khá tốt trên hệ quản trị cơ sở dữ liệu đồ thị Neo4J. Để thực hiện điều này, đầu tiên một khung cấu trúc dữ liệu đồ thị được thiết kế cho cơ sở dữ liệu ảnh; sau đó đề xuất phương thức lưu trữ và cuối cùng là thuật toán tìm kiếm dữ liệu ảnh trên đồ thị với kết quả thu được là chi phí tìm kiếm nhanh hơn so với một số thuật toán tìm kiếm khác. Vì vậy, một cấu trúc dữ liệu đồ thị được đề xuất và thực nghiệm tìm kiếm trên bộ dữ liệu ảnh Flickr với thời gian truy xuất khá nhanh, kết quả này cho thấy phương pháp đề xuất cấu trúc đồ thị của chúng tôi là hiệu quả và có thể áp dụng được cho một số bộ ảnh thuộc các lĩnh vực khác nhau. Từ khóa: Neo4J, cấu trúc đồ thị, dữ liệu ảnh, tìm kiếm ảnh, Flickr. 1. GIỚI THIỆU Trong những năm gần đây, tìm kiếm ảnh đã trở thành một vấn đề quan trọng và phức tạp trong nhiều lĩnh vực như: thị giác máy tính và trí tuệ nhân tạo, y tế, an ninh và giám sát, quảng cáo và thương mại điện tử..v.v. Đó là một công cụ quan trọng để trích xuất thông tin từ hình ảnh và cải thiện trải nghiệm người dùng trong nhiều ngữ cảnh khác nhau. Có rất nhiều phương pháp để tìm kiếm ảnh được thực hiện bởi nhiều công trình nghiên cứu [1], [2]. Trong đó, bài toán tìm kiếm ảnh dựa trên đồ thị là một ứng dụng của hệ thống quản lý cơ sở dữ liệu đồ thị trong việc tìm kiếm và truy xuất dữ liệu hình ảnh. Đây là một bài toán phổ biến trong lĩnh vực công nghệ thông tin và nghiên cứu về ảnh số thường được áp dụng trong các ứng dụng như quản lý thư viện ảnh, tìm kiếm ảnh trực tuyến, nhận dạng và gắn nhãn hình ảnh. Trong bài báo này, hệ quản trị cơ sở dữ liệu đồ thị Neo4j được sử dụng để lưu trữ thông tin về các hình ảnh và mối quan hệ giữa chúng. Mỗi nút trong đồ thị có thể đại diện cho một hình ảnh và các thuộc tính của ảnh như tên file, đường dẫn, định danh, kích thước, và một số thông tin mô tả khác. Các mối quan hệ giữa các nút có thể là các loại liên kết như 'có thể nhìn thấy', 'giống nhau', 'chứa', 'được gắn nhãn bởi', vv. Tìm kiếm ảnh dựa trên đồ thị là một phương pháp mạnh mẽ và linh hoạt, nơi các mối quan hệ giữa các yếu tố trong dữ liệu hình ảnh được sử dụng để cải thiện quá trình tìm kiếm và phân loại. Đóng góp của bài báo là: (1) xây dựng một cấu trúc dữ liệu đồ thị cho việc lưu trữ dữ liệu hình ảnh, mối quan hệ, thuộc tính nhằm đáp ứng cho quá trình tìm kiếm đối tượng ảnh 199
- Nguyễn Thị Kim Dung và CS số trên đồ thị; (2) đề xuất thuật toán tìm kiếm ảnh trên cơ sở dữ liệu đồ thị; (3) thực nghiệm trên bộ ảnh đa đối tượng Flickr [3] với thời gian truy vấn khá nhanh. Phần còn lại của bài báo gồm: phần 2 trình bày các công trình nghiên cứu liên quan; phần 3 trình bày phương pháp thực hiện; phần 4 trình bày thực nghiệm; kết luận và hướng phát triển được trình bày trong phần 5. 2. CÁC CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN Một cấu trúc dữ liệu đồ thị cho dữ liệu ảnh số tương tự đã được nhiều công trình thực hiện với các kỹ thuật học máy khác nhau. Để so sánh hiệu suất giữa các phương pháp, một số nghiên cứu đã thử nghiệm với MongoDB cho việc xử lý tập dữ liệu hình ảnh. MongoDB được chọn để khảo sát vì khả năng xử lý dữ liệu quy mô lớn trên các tài nguyên tính toán phân tán và không đồng nhất. Abhijit Suprem và cộng sự (2018) [4] thực hiện việc tìm kiếm hình ảnh toàn diện dựa trên đồ thị. Trong công trình này, Neo4J dùng để lưu trữ các đồ thị ngũ cảnh và dữ liệu siêu văn bản để thực hiện lấy hình ảnh từ cơ sở dữ liệu trên mô tả đồ thị. Việc tiếp cận tìm kiếm hình ảnh toàn diện, từ các truy vấn đơn giản đến mô tả phức tạp về các đối tượng và mối quan hệ giữa chúng trong hình ảnh. Công trình này đã đạt được kết quả tích cực trong việc trả về hình ảnh phù hợp với các yêu cầu tìm kiếm, đồng thời cũng giúp làm cầu nối giữa sự khác biệt ngữ nghĩa giữa con người và các đặc điểm hình ảnh. Jared Beekman (2015) [5] đã thực hiện nhận diện lại khuôn mặt với OpenCV và Cơ sở dữ liệu đồ thị Neo4j Trong nghiên cứu, các phương pháp nhận dạng khuôn mặt như Eigenfaces, Fischerfaces và Local Binary Patterns Histograms (LBPH) được thực hiện bằng thư viện OpenCV. Sau đó, các phân tách này được lưu trữ, cùng với hình ảnh nguồn gốc, vào cơ sở dữ liệu đồ thị Neo4j để bảo tồn thông tin và tạo ra các mối quan hệ giữa các phân tách dữ liệu. Mặc dù công trình đã sử dụng Neo4j để lưu trữ và truy xuất dữ liệu một cách hiệu quả, nhưng kết quả cuối cùng của việc tái nhận dạng khuôn mặt chưa được đánh giá là hiệu quả do gặp phải các lỗi và vấn đề trong quá trình thực hiện. Giovanna Castellano và cộng sự (2021) [6] thực hiện việc tích hợp kiến thức ngữ cảnh vào các đặc trưng hình ảnh để phân loại nghệ thuật tinh tế. Trong công trình này, Neo4J được sử dụng để xây dựng một đồ thị kiến thức nghệ thuật (ArtGraph) dựa trên WikiArt và DBpedia. Đồ thị này cung cấp khả năng khám phá kiến thức mà không cần huấn luyện một hệ thống học. Kết quả mang lại tốt trong việc cải thiện độ chính xác của việc dự đoán các thuộc tính của hình ảnh nghệ thuật. Phương pháp mới đề xuất đã mang lại tiến triển so với phương pháp cơ sở chỉ dựa trên các đặc trưng hình ảnh và cũng tốt hơn so với mô hình ContextNet đã được giới thiệu trước đó. Cụ thể, đối với các nhiệm vụ phân loại nghệ sĩ, phong cách và thể loại, phương pháp mới đề xuất đã mang lại độ chính xác cao hơn. Từ các công trình nghiên cứu cho thấy việc sử dụng dữ liệu ảnh với cấu trúc dữ liệu đồ thị Neo4J là hoàn toàn khả thi, hiệu quả. Tuy nhiên, các công trình này hầu hết chưa đi sâu vào cấu trúc dữ liệu Neo4J. Trong bài báo này, chúng tôi đề xuất một cấu trúc dữ liệu đồ thị với dữ liệu ảnh số dùng Neo4J. Neo4J là một hệ quản trị cơ sở dữ liệu đồ thị mã nguồn mở, được xây dựng dựa trên mô hình lưu trữ đồ thị. 3. PHƯƠNG PHÁP THỰC HIỆN 3.1. Cơ sở dữ liệu đồ thị Trong Neo4J, dữ liệu được biểu diễn dưới dạng các đối tượng và mối quan hệ giữa chúng, tạo thành một mạng lưới các mối quan hệ phức tạp. Mỗi nút và cạnh đều có thể chứa 200
- các thuộc tính, cho phép lưu trữ và truy xuất thông tin một cách linh hoạt và hiệu quả. Với cấu trúc dữ liệu đồ thị Neo4J thích hợp cho việc lưu trữ và truy vấn dữ liệu có mối quan hệ phức tạp, như dữ liệu về mạng xã hội, hệ thống kiến thức, hoặc dữ liệu liên quan đến hình ảnh. Trong các ứng dụng liên quan đến xử lý hình ảnh, Neo4J có thể được sử dụng để lưu trữ đặc trưng hình ảnh, mối quan hệ giữa các hình ảnh, và thông tin ngữ cảnh liên quan. Mô hình đề xuất sẽ lưu trữ các đặc trưng hình ảnh, biểu diễn mối quan hệ giữa các hình ảnh, và cung cấp thông tin ngữ cảnh liên quan [7]. Cơ sở dữ liệu đồ thị chính là một loại cơ sở dữ liệu không quan hệ, có thể lưu trữ và truy vấn các dữ liệu có cấu trúc phức tạp và được kết nối mạnh. Cơ sở dữ liệu đồ thị sử dụng các đỉnh để biểu diễn các đối tượng và các cạnh để biểu diễn các mối quan hệ giữa các đối tượng. Các đỉnh và cạnh có thể có các nhãn và thuộc tính để mô tả thêm thông tin về chúng. Một cơ sở dữ liệu đồ thị gồm ba thành phần: nút, cạnh (mối quan hệ), đồ thị. Nút (node): đại diện cho các thực thể trong cơ sở dữ liệu, các nút có thể có các thuộc tính là các cặp khóa-giá trị để lưu trữ thông tin chi tiết về đối tượng. Mối quan hệ (relationship): đại diện cho các mối quan hệ giữa các nút, các cạnh cũng có thể có các thuộc tính để lưu trữ thông tin bổ sung về các mối quan hệ. Đồ thị: là tập hợp của tất cả các nút và cạnh trong cơ sở dữ liệu. Một đồ thị có thể được biểu diễn bằng một biểu đồ có hướng hoặc không có hướng, tùy thuộc vào tính chất của các mối quan hệ. Hình 1. Các node và mối quan hệ của dữ liệu ảnh số Trong hình 1, node có name “thing” được định nghĩa là Root, là gốc của các thực thể trong dữ liệu ảnh. Node có name “giraffe” là thực thể ảnh nằm trong “thing”, được định nghĩa là “Category”, trong Root chứa nhiều “Category”. Node “thing” có mối quan hệ “IsA” với node “giraffe” biểu diễn rằng thực thể ảnh này được phân loại. Node có name “img.000025” được định nghĩa Image là node chứa các thuộc tính về đường dẫn của hình ảnh và tên của hình ảnh đó. Mối quan hệ “HasA” thể hiện rằng node “img.000025” có label là “giraffe”. Bên cạnh đó, node “obj.000025” được định nghĩa là Obj có mối quan hệ “HasA” với node “giraffe” và node hình ảnh, thể hiện rằng node “giraffe” có những đặc trưng đó, và node hình ảnh sẽ có những id của hình ảnh tương ứng với đối tượng. 3.2. Thiết kế cơ sở dữ liệu đồ thị 201
- Nguyễn Thị Kim Dung và CS Trong phần này, chúng tôi sẽ trình bày chi tiết về cấu trúc và triển khai của cơ sở dữ liệu đồ thị dành cho dữ liệu ảnh, tập trung vào các loại đỉnh và mối quan hệ giữa chúng. Cấu trúc dữ liệu Đỉnh (Nodes) Node “thing”: biểu diễn các thực thể trong dữ liệu ảnh, bao gồm “broccoli”, “giraffe” và “bowl”. Node có các thuộc tính “imgurl, name, source, description”: đỉnh này chứa thông tin về hình ảnh, bao gồm đường dẫn URL(“imgurl”), tên (“name”), nguồn (“source”), và mô tả (“description”). Node có các thuộc tính “imgid, name, label”: đỉnh này đại diện cho các đối tượng cụ thể trong hệ thống. Khi imgid là thuộc tính lưu trữ ID của hình ảnh tương ứng với đối tượng và label là thuộc tính lưu trữ nhãn của thể loại ảnh. Node “bowl”, “broccoli”, “giraffe”: biểu diễn các tập hợp chứa, mỗi đỉnh có thuộc tính như ID hình ảnh (“imgid”), tên (“name”) và tên các thuộc tính cần thiết khác. Mối quan hệ “IsA”: Mối quan hệ này biểu diễn mối quan hệ phân loại giữa các thực thể. Ví dụ, mối quan hệ từ "thing" đến "broccoli" biểu diễn rằng một thực thể có thể được phân loại là "broccoli". “HasA”: Mối quan hệ này biểu diễn mối quan hệ "có" giữa các thực thể, ví dụ như một "bowl" có thể chứa nhiều "thing". Triển khai Sử dụng mối quan hệ "HasA" để kết nối các đỉnh của loại "thing" với đỉnh của loại "bowl", mỗi mối quan hệ này biểu diễn một thực thể trong "bowl" chứa một thực thể trong "thing". Cụ thể, các đỉnh của loại "bowl" có mối quan hệ "HasA" với các đỉnh của loại "thing". Mối quan hệ "IsA" được sử dụng để biểu diễn mối quan hệ phân loại giữa các loại thực thể. Cụ thể, một đỉnh "thing" có thể được kết nối với một đỉnh khác thông qua mối quan hệ "IsA" để chỉ ra rằng thực thể đó là một loại cụ thể của một loại khác. Hình 2. Minh họa cấu trúc cơ sở dữ liệu đồ thị về dữ liệu ảnh số Hình 2, minh họa cấu trúc dữ liệu là một phần nhỏ trong toàn bộ dữ liệu về cơ sở dữ liệu đồ thị về ảnh số. Tuy nhiên vẫn thể hiện đầy đủ các thành phần cơ bản nằm trong cơ sở 202
- dữ liệu. Đầu tiên, cơ sở dữ liệu này sẽ có node thing là Root, nắm giữ các thể loại hình ảnh nằm trong dữ liệu ảnh. Trong hình thể hiện 3 thể loại là giraffe, bowl và broccoli. Node thing này sẽ có mối quan hệ “IsA” đối với các thể loại ảnh, biểu hiện cho việc ảnh đã được phân loại cụ thể. Các node thể loại ảnh trên cũng sẽ có những hình ảnh cụ thể mang label là thể loại ảnh tương ứng, đó là node hình ảnh. Node hình ảnh sẽ có những thuộc tính về đường dẫn hình ảnh, tên ảnh, nguồn, mô tả. Và mỗi node hình ảnh cũng sẽ có nhiều node đặc trưng riêng, node đặc trưng này sẽ thể hiện được nơi lưu trữ ID của hình ảnh và được đánh dấu là thuộc label nào. Cấu trúc cơ sở dữ liệu hoàn chỉnh sẽ gồm rất nhiều các node thể hiện thể loại ảnh, các đối tượng ảnh và những hình ảnh tương ứng. Điều đó làm cho dữ liệu rất lớn và đây chỉ là 300 đỉnh trong hàng ngàn đỉnh dữ liệu trong cơ sở dữ liệu. Hình 3. Hình ảnh 300 đỉnh dữ liệu trong dữ liệu ảnh số 3.3. Tìm kiếm ảnh trên dữ liệu đồ thị Quá trình tìm kiếm ảnh trên cơ sở dữ liệu đồ thị đã thiết kế được đề xuất với các bước sau: Bước 1: Nhập thông tin liên quan đến ảnh muốn tìm kiếm gồm tên đối tượng, nhãn, mô tả hoặc bất kỳ thông tin nào khác có thể xác định ảnh đó. Bước 2: Dựa trên thông tin của ảnh ở bước 1, bắt đầu xác định các đỉnh trong đồ thị. Có thể bao gồm các đỉnh đại diện cho các đối tượng cụ thể, hoặc các thuộc tính như tên, nhãn hoặc mô tả. Bước 3: Tìm kiếm đỉnh trong đồ thị. Sử dụng ngôn ngữ truy vấn Cypher để tìm kiếm các đỉnh phù hợp với thông tin ảnh được cung cấp. Sử dụng các mối quan hệ và điều kiện thông tin để lấy ra các đỉnh liên quan đến yêu cầu tìm kiếm Bước 4: Thu thập và trả về kết quả. Sau khi thực hiện truy vấn, thông tin sẽ được tìm thấy. Các thuộc tính như “imgurl”, “label”, “name” được lấy ra từ các đỉnh để xác định các ảnh phù hợp với yêu cầu tìm kiếm. Kết quả trả về có thể là danh sách các ảnh phù hợp với yêu cầu tìm kiếm hoặc thông báo nếu không tìm thấy kết quả nào phù hợp. 203
- Nguyễn Thị Kim Dung và CS 4. THỰC NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ 4.1. Dữ liệu và môi trường thực nghiệm Môi trường thực nghiệm của chúng tôi bao gồm việc sử dụng cơ sở dữ liệu Neo4j để triển khai và thử nghiệm các thuật toán tìm kiếm và truy vấn dữ liệu. Chúng tôi sử dụng ngôn ngữ truy vấn Cypher để tương tác với cơ sở dữ liệu và thực hiện các thử nghiệm để đánh giá hiệu suất và khả năng linh hoạt của hệ thống. 4.2. Kết quả tìm kiếm ảnh Trong phần này, chúng tôi trình bày kết quả của quá trình tìm kiếm ảnh thỏa điều kiện trên cơ sở dữ liệu đồ thị. Cụ thể, chúng tôi tìm kiếm tất cả ảnh thuộc đối tượng ‘bowl’ và các thông tin liên quan đến đối tượng bowl đó. Câu lệnh truy vấn Cypher như sau: MATCH (r:Root)-[:IsA]->(c:Category)(o:Object) WHERE c.name = 'bowl' AND o.label = 'bowl' RETURN r, c, i, o Kết quả khi thực hiện câu lệnh truy vấn để tìm kiếm các ảnh dựa theo điều kiện Hình 4. Kết quả tìm kiếm thông tin trên cơ sở dữ liệu đồ thị theo điều kiện Để có thể khái quát hơn, chỉ cần trả về kết quả của hình ảnh liên quan đến đối tượng đang tìm kiếm, chỉ cần thay đổi câu truy vấn là trả về Image, dữ liệu sẽ trả về kết quả tương ứng. Hình 5 là kết quả trả về sau khi thực hiện tìm kiếm những hình ảnh thỏa điều kiện được thực hiện trong câu truy vấn. 204
- Hình 5. Kết quả tìm kiếm ảnh trên cơ sở dữ liệu đồ thị theo điều kiện Thông qua việc sử dụng tính năng ‘PROFILE’ trong Neo4j để xem xét kế hoạch thực hiện truy vấn và phân tích chi tiết các bước thực hiện. Kế hoạch này đã cung cấp thông tin về thời gian dự kiến cho mỗi bước trong quá trình truy vấn dữ liệu Hình 6. Kết quả kế hoạch thực hiện của truy vấn PROFILE 205
- Nguyễn Thị Kim Dung và CS Kết quả cho thấy rằng việc tìm kiếm dữ liệu ảnh trên đồ thị có chi phí tìm kiếm khá nhanh. Với truy vấn trên, thời gian thực hiện được ước lượng là khoảng 20ms. Điều này cho thấy Neo4j có khả năng xử lý truy vấn dữ liệu ảnh một cách hiệu quả và nhanh chóng, là một công cụ mạnh mẽ cho các ứng dụng yêu cầu xử lý dữ liệu ảnh trên đồ thị. 5. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Trong công trình này, hệ quản trị cơ sở dữ liệu đồ thị Neo4J đã được nghiên cứu áp dụng cho dữ liệu hình ảnh. Bài báo đã thiết kế cấu trúc cơ sở dữ liệu đồ thị cho lưu trữ dữ liệu ảnh số trên Neo4J, với tập ảnh Flickr gồm thuộc tính hình ảnh đáp ứng cho quá trình tìm kiếm các ảnh thỏa điều kiện đặt ra. Đây chính là quá trình hiện thực hóa đồ thị cho lưu trữ dữ liệu ảnh số, một dạng đồ thị tri thức thu nhỏ đề áp dụng cho bài toán tìm kiếm ảnh. Tuy nhiên, nếu tập dữ liệu phát triển theo thời gian thì việc thế kế này không còn phù hợp mà thay vào đó là quá trình mở rộng tự động cho các tập đỉnh, thuộc tính và mối quan hệ. Vì vậy, định hướng phát triển tương lai là phát triển cơ sở dữ liệu thiết kế này thành đồ thị tri thức giúp tự động hóa quá trình thêm ảnh, thuộc tính và đối tượng trên ảnh. Từ đó áp dụng cho bài toán tìm kiếm ảnh tương tự. TÀI LIỆU THAM KHẢO 1. Approximate Query Matching for Graph-Based Holistic Image Retrieval (2018) (pp. 72 - 78) by Abhijit Suprem, Duen Horng Chau & Calton Pu 2. A Research on Image Semantic Refinement Recognition of Product Surface Defects Based on Causal Knowledge (2022) by Weibin Zhuang, Taihua Zhang, Liguo Yao, Yao Lu and Panliang Yuan 3. Flickr image datasets: https://www.kaggle.com/datasets/hsankesara/flickr-image-dataset, access date, 20/3/2024 4. Approximate Query Matching for Graph-Based Holistic Image Retrieval (2018) (pp. 72 - 78) by Abhijit Suprem, Duen Horng Chau & Calton Pu 5. Facial Re-Recognition with OpenCV and Neo4j Graph Databases (2015) by Jared Beekman, McNeese State University, Lake Charles, LA 6. Integrating Contextual Knowledge to Visual Features for Fine Art Classification (2021) by Giovanna Castellano, Giovanni Sansaro, Gennaro Vessio 7. Graph-Based Image Representation Learning: A Comprehensive Review (2020) by Xiaolong Wang, Ziwei Liu, Lingxi Xie, Dahua Lin ABSTRACT A GRAPH DATA STRUCTURE FOR DIGITAL IMAGES Nguyen Thi Kim Dung1, Nguyen Tuu Tien1, Duong Thi Phuong Thi1, Nguyen Thanh Tinh2, Nguyen Thi Dinh1,* 1 Ho Chi Minh City University of Industry and Trade 2 Nguyen Tri Phuong Secondary School, District 10, Ho Chi Minh City Email: dinhnt@huit.edu.vn 206
- Digital images growing rapidly over time pose a challenge for storing and querying in large data sets. In this article, a graph data structure is proposed and designed for digital image data and is presented with quite good image retrieval results on the Neo4J graph database management system. To accomplish this, first, a graph data structure framework is designed for the image database; then a storage method, and finally an algorithm for retrieving image data on graphs with the result that the retrieval cost is faster than some other retrieval algorithms. Therefore, a graph data structure is proposed and experimentally retrieved on the Flickr image dataset with a quite fast retrieval time. This result shows that our proposed graph structure method is effective and applicable to many image datasets in different fields. Keywords: Neo4J, graph structure, image data, image retrieval, Flickr. Tôi xin cam kết bài báo này chưa được đăng và gửi đăng ở bất kỳ tạp chí nào khác. Tác giả: Họ và tên: Nguyễn Thị Kim Dung Số điện thoại liên hệ: 0976527920 207
CÓ THỂ BẠN MUỐN DOWNLOAD
-
Cấu trúc dữ liệu và giải thuật - Chương 1
15 p | 136 | 28
-
Cấu trúc máy tính & Hợp ngữ - Chương 1
28 p | 159 | 27
-
Kỹ thuật lập trình C/C++-Chương: Cấu trúc dữ liệu
21 p | 118 | 16
-
Bài giảng Cấu trúc cây (Tree)
54 p | 105 | 13
-
Giáo trình Cấu trúc dữ liệu và giải thuật: Phần 2
173 p | 54 | 12
-
Lí thuyết đồ thị part 7
22 p | 77 | 11
-
Đâu là một cấu trúc URL tốt nhất cho SEO ?
7 p | 101 | 9
-
Bài giảng Cấu trúc máy tính: Chương 13 - Ngô Phước Nguyên
46 p | 61 | 8
-
Bài giảng Cấu trúc dữ liệu và giải thuật: Chương 8 - Đỗ Bích Diệp (tt)
23 p | 107 | 7
-
Bài giảng Ôn thi tốt nghiệp: Cấu trúc dữ liệu - Trần Ngọc Bảo
27 p | 89 | 7
-
Bài giảng Lý thuyết đồ thị: Chương 6 - PGS.TS. Hoàng Chí Thành
37 p | 14 | 6
-
Bài giảng Cấu trúc dữ liệu: Phần 2 - ĐH Cần Thơ
79 p | 92 | 5
-
Bài giảng Cấu trúc dữ liệu và giải thuật: Chương 5 - Ths. Phạm Thanh An (2018)
53 p | 65 | 4
-
Bài giảng Cấu trúc dữ liệu và giải thuật: Bài 14a - Hoàng Thị Điệp (2014)
35 p | 32 | 4
-
Bài giảng Cấu trúc dữ liệu và giải thuật: Chương 8 - Đỗ Bích Diệp
13 p | 56 | 3
-
Mô hình lực cho biểu diễn đồ thị phân nhóm
10 p | 60 | 2
-
Vấn đề phân loại đa nhãn cho đồ thị
8 p | 21 | 2
Chịu trách nhiệm nội dung:
Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA
LIÊN HỆ
Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM
Hotline: 093 303 0098
Email: support@tailieu.vn