Question

英语高手帮帮忙翻译一下，谢谢！

The field of content based image retrieval (CBIR) has generated much interest in the past decade1 2-8, and a large
scale benchmarking effort is underway9,10 (see also http://www.benchathlon.net). The approach here generally revolves
around creating a dataset of images with appropriate semantic labels which then can be used to test CBIR systems. A
slightly different performance evaluation approach11 uses images with manually classified regions and thus a region
sensitive CBIR system can evaluated based on these labels.

These approaches have two problems which we address here. The first is that effective manual labeling and
annotation of the images is difficult and time consuming and therefore there will always be a paucity of data despite the
commendable efforts of those who offer such data to the community. Furthermore, even specifying the vocabulary or
semantic classes is intellectually difficult12.

This hints at the second problem which is that these approaches assume a sound relationship between the activity of
retrieving images that match these annotations/labels and the activity of retrieving images which satisfy the user. We
argue that this relationship must be considered, and we demonstrate incorporating it into retrieval benchmarking.

Some have argued that benchmarking image retrieval is premature13. Bluntly, it could be argued the current systems
do not even come close to serving real user needs, so time spent measuring them is better spent doing something else. In
this work we take an intermediate stance. It is important to realize how far off the mark we are14-17, but this should
encourage us to set up tests which move the systems in the direction of real utility. One thing which is clear is that
semantics count14-18. For example, a user who would like an image of a tiger will not be satisfied with an image whose
histogram matches a tiger; the pieces need to be arranged in the shape of a tiger. This intuition, is, of course, what leads
to the idea of semantic intermediates for benchmarking in the approaches mentioned above.

Answer 1

满足基础的图像取回 (CBIR) 的领域已经产生对过去的十年 12-8 的很多兴趣, 和一大的
基点努力的刻度是进行的 9,10(也见到http:// www.benchathlon.net). 这里的方式通常考虑
在附近用然后能用来测试 CBIR 系统的适当的与语意有关的标签创造一个图像的数据组。 一
些微不同的表现评估方式 11种使用以用手分类的区域和如此描绘一个区域
敏感的 CBIR 系统能评估了基于这些标签。

这些方法有我们在这里演说的二个问题。 第一是有效的手册分类和
图像的注解很困难而且计时消耗因此在那里总是将会是一个数据的少数不在乎那
提供如此的数据给社区的值得赞美努力的人。 此外, 甚至叙述字汇或
与语意有关的班级是智力困难 12 。

这在这些方法承担活动之间的健全的关系的第二个问题暗示
取回图像那一个比赛这些注解/标签和取回使使用者满意的图像的活动。 我们
主张：这关系一定被考虑，而且我们示范将它纳入基点的取回。

一些已经主张基点图像取回是早产儿 13 。 坦率地, 它可能被争论现在的系统
甚至不接近地来到服务真正的使用者需要, 因此花费测量他们的时间被花费得更好做别的东西。 在
我们拿一个中间的态度的这一个工作。重要的是了解多远离开标志，我们是 14-17, 但是这应该
鼓励我们建立移动真正实效的方向的系统的测试。 很清楚的一件事物是那
语意学计算 14-18 。举例来说, 将像老虎的一个图像将不感到满意的使用者一个图像谁的
柱状图相配一只老虎;块需要在老虎的形状被安排。 这一种直觉, 是, 当然, 什么带领
对与语意有关中间物的主意为在方法中基点在上面提到了。

Answer 2

内容基于图象检索(CBIR)的领域在过去decade1 2-8引起了兴趣， 并且
大规模基准点努力是underway9,10 (也参见http://万维网。benchathlon。网)。 这里方法一般围绕
创造图象数据集与可以然后用于测试CBIR系统的适当的语义标签。
轻微地不同的表现评估approach11用途图象以手工被分类的地区和区域敏感
CBIR系统罐头因而评估了基于这些标签。
这些方法有我们论及在这儿的二个问题。 一个是图象的有效的手工
标记和注释是困难的，并且费时并且总将有数据少数尽管
为社区提供这样数据那些人的难能可贵的努力。 此外， 甚而指定词汇量或
语义类智力上是difficult12。
这暗示是的第二个问题这些方法假设检索之间匹配这些注释的图象
活动的一个酣然的关系标签和检索满足用户的图象活动。 我们
争辩说，必须考虑这个关系， 并且我们展示合并它入检索基准点。
一些争辩说，基准点图象检索是premature13。 直言地， 它能被争论当前系统
甚而不来紧挨服务实际用户需要， 如此花费的时间测量他们更好花费做其他。 在
这工作我们采取中间姿态。 体会是重要的多远标记我们are14-17， 但这应该
鼓励我们设定朝真正的公共事业的方向移动系统的测试。 是清楚的一件事是那
语义学count14-18。 例如， 会想要老虎的图象的用户不会满意对直方图匹配
一只老虎的图象; 片断需要被安排以老虎的形式。 这种直觉， 是， 当然， 什么导致
语义中间体想法为基准点在以上提到的方法。

Answer 3

领域基于内容图像检索(CBIR)产生多大兴趣过去decade12-8、 基准及大型努力underway9珍宝(又见http://www.benchathlon.net). 此间普遍的做法是围绕建立适当的图像数据语义的标签,然后可以用来 测试图像检索系统. 稍有不同用途approach11考绩评定手动图象区域敏感地区,因此图像检索系统可 基于这些评价标签. 这是我们解决问题的办法有两个. 一是有效手工标记和注解的图像是很难且费时,所以 永远是难能可贵的,虽然数据不全者提供有关资料向社会. 此外,即使是明智difficult12词汇或语班. 这暗示第二个问题是,这些做法的良好关系,承担活性检索 配合这些形象说明/标签及活动图像检索用户满意. 我们认为,这种关系必须考虑的,而我们展示纳入检索基准. 有人辩称是premature13基准图像检索. 不客气,可以说目前的制度也不接近真实用户需要服务, 所以不如花时间做他们测量东西. 在这项工作中,我们采取了中间立场. 必须认识偏差了多远,我们are14-17 但是这应该鼓励我们提出成立测试系统真正走向实用. 这一点是明确的,就是语义学count14-18. 例如 用户想象的老虎不会满意的图像直方图比赛 虎; 残局须虎形排列. 这直觉,当然会导致什么想法语义中间体上述基准的办法