The huge number of images shared on the Web makes effective cataloguing methods for efficient storage and retrieval procedures specifically tailored on the end-user needs a very demanding and crucial issue. In this paper, we investigate the applicability of Automatic Image Annotation (AIA) for image tagging with a focus on the needs of database expansion for a news broadcasting company. First, we determine the feasibility of using AIA in such a context with the aim of minimizing an extensive retraining whenever a new tag needs to be incorporated in the tag set population. Then, an image annotation tool integrating a Convolutional Neural Network model (AlexNet) for feature extraction and a K-Nearest-Neighbours classifier for tag assignment to images is introduced and tested. The obtained performances are very promising addressing the proposed approach as valuable to tackle the problem of image tagging in the framework of a broadcasting company, whilst not yet optimal for integration in the business process.
DOCUMENT
In this paper we analyse the way students tag recorded lectures. We compare their tagging strategy and the tags that they create with tagging done by an expert. We look at the quality of the tags students add, and we introduce a method of measuring how similar the tags are, using vector space modelling and cosine similarity. We show that the quality of tagging by students is high enough to be useful. We also show that there is no generic vocabulary gap between the expert and the students. Our study shows no statistically significant correlation between the tag similarity and the indicated interest in the course, the perceived importance of the course, the number of lectures attended, the indicated difficulty of the course, the number of recorded lectures viewed, the indicated ease of finding the needed parts of a recorded lecture, or the number of tags used by the student.
LINK
In dit onderzoeksrapport wordt verslag gedaan van het onderzoek dat door het Crossmedialab is uitgevoerd in het project Publieksannotatie van Cultureel Erfgoed (PACE). Dit proejct is uitgevoerd met subsidie van de regeling 'Digitaliseren met Beleid’ van het ministerie van Onderwijs Cultuur en Wetenschappen in de periode 1 januari 2008 tot en met 31 december 2009. Deelnemers in dit onderzoek waren: Universiteitsmuseum Utrecht, Naturalis, Museon, Novay, de Hogeschool Utrecht en het advies- en managementbureau BMC. Dit brede consortium maakte het mogelijk het project te baseren op zowel kennis en ervaring vanuit de praktijk en de wetenschap. Doel van het project PACE was om te onderzoeken hoe social tagging als instrument ingezet kon worden in het verrijken en toegankelijk maken van de collecties en hoe de betrokkenheid van bezoekersgroepen kon worden vergroot. De sturende vraag van de musa hierachter was: Wanneer is het zinvol social tagging als instrument in te zetten voor musea en welk effect mag je hiervan verwachten?
DOCUMENT
Internet of Things (IoT) is tagging low power devices, miniaturized, with machine-readable identification tags, which are integrated with sensors to collect information and wireless technology to connect them with the Internet. These devices have a very low energy usage. Powering these devices with battery is very labor intensive, costly and tedious especially as number of nodes increases, which is in many applications, is the case. Hence the main objective of this proposal is to introduce new product called RF Colletor, in the market such that IoT devices function independent of battery. Using the suggested approach the wille be energized using Radio Frequency (RF) energy harvesting. RF Collector wirelessly capture the RF energy that is wasted in space, and re-use it again as the power source for IoT devices and hence making them autonomous of battery. The ability to harvest RF energy enables wireless charging of low-power devices in real time. This has resulting benefits to sustainability, cost reduction, product design, usability, and reliability.
Met een dringend tekort aan zowel materialen, componenten en technische personeel is de roep om ‘smart manufacturing’ luider dan ooit. ‘Smart’ staat in deze context voor: het proces flexibeler en efficiënter maken door meer op real-time data te kunnen sturen. Maar ook voor foutloos produceren van steeds kleiner wordende series. Hiervoor moeten productie- en planningsrisico’s veel beter in kaart gebracht worden. Digitalisering van het productieproces kan hierbij ondersteunen, maar bedrijven lopen regelmatig tegen integratieproblemen aan waarvoor gezocht wordt naar bedrijfs- en vendor-specifieke oplossingen en interfaces. In welke mate hier generieke lessen en kennis uitgehaald kunnen worden is vooralsnog niet duidelijk. De onderzoeksvraag van dit project is dan ook: Op welke manier kunnen methoden voor ‘tagging’, produceerbaarheidschecks en visualisatie van productiedata ontwikkeld, beschreven, gedeeld en toegepast worden binnen een grotere groep bedrijven? De checks en visualisaties zijn een opstap naar zero-defect productie. ‘Tagging’ wordt niet per se gezien als de beste of enige oplossing, maar als een laagdrempelige en decentrale vorm van integratie, die goed als opstap gebruikt kan worden naar digitaal delen van informatie in het productieproces of -keten. Een ander streven is het presenteren van informatie aan een operator, zodanig dat dit tot procesverbetering kan leiden. Het zijn interessante cases om kennis over digitalisatie te delen tussen bedrijven. Om dit te realiseren wordt er een aantal casestudies uitgevoerd bij mkb-bedrijven in de maakindustrie, waarbij een specifieke oplossing voor product-tagging & machine-dashboards gegeneraliseerd wordt naar een template met implementatiehandleiding. Vervolgens zullen onderzoekers van een andere hogeschool deze template bij een ander bedrijf implementeren. Op basis van de ‘lessons-learned’ kan de verkregen kennis publiek beschikbaar gemaakt worden in de vorm van een toolkit. Dit biedt een ontwikkelaar in een mkb-bedrijf houvast voor stapsgewijze verbetering van zijn productie- en informatieprocessen.
