MARC

 008250123s2024        us                              c    eng  d
■001000017162865
■00520250211152105
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382741062
■035    ▼a(MiAaPQ)AAI31349070
■035    ▼a(MiAaPQ)umichrackham005544
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aHe,  Wenjia.
■24510▼aTowards  Query  Processing  in  Video  Database  Management  Systems
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a202  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Cafarella,  Michael;Jagadish,  H.  V.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2024.
■520    ▼aVideos  have  been  widely  adopted  across  various  applications,  highlighting  the  increasing  importance  of  database  management  systems  that  can  support  video  queries.  However,  achieving  effective  query  processing  in  video  database  management  systems  is  challenging  due  to  factors  such  as  the  substantial  size  of  video  databases  and  the  unstructured  nature  of  video  content.  To  address  these  challenges,  I  demonstrate  that  video-specific  algorithms  that  support  query  processing  in  video  database  management  systems  are  essential  for  performance  (accelerating  video  selection  queries),  policy  (balancing  competing  query  requirements),  and  explanation  (supporting  queries  for  real-world  explanation).  To  support  this  statement,  my  dissertation  focuses  on  four  key  parts:  (1)  building  a  new  indexing  mechanism  that  captures  visual  similarity  for  filtering  items  that  are  likely  to  satisfy  the  query  predicate,  (2)  developing  a  video  degradation-accuracy  profiling  system,  helping  administrators  to  choose  an  appropriate  degradation  setting  for  competing  requirement  trade-off  in  video  analytics,  (3)  proposing  a  commonsense  knowledge-enhanced  indexing  method,  which  initially  constructs  a  lossy  but  inexpensive  index  and  subsequently  patches  it  to  quickly  identify  query  result  candidates,  and  (4)  implementing  a  causal  inference  system  that  uncovers  confounding  variables  within  images  to  solve  confounding  bias  and  compute  more  accurate  average  treatment  effects  (ATE).
■590    ▼aSchool  code:  0127.
■650  4▼aComputer  science
■650  4▼aComputer  engineering
■650  4▼aEngineering
■653    ▼aDatabase
■653    ▼aQuery  processing
■653    ▼aVideo  analytics
■653    ▼aQuery  optimization
■690    ▼a0984
■690    ▼a0464
■690    ▼a0800
■690    ▼a0537
■71020▼aUniversity  of  Michigan▼bComputer  Science  &  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162865▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books