SlideShare a Scribd company logo
1 of 18
Download to read offline
ClustTour: Εκατομμφρια φωτογραφίεσ
μασ ταξιδεφουν ψθφιακά
ςτον κόςμο
Μερικά νοφμερα

• 5,000,000,000 εικόνεσ ςτο          (Σεπ. 2010)


• Μόνο το Σαββατοκφριακο τθσ Πρωτοχρονιάσ
  ανζβθκαν 750,000,000 φωτογραφίεσ ςτο




• Η εφαρμογι            ξεπζραςε τον αρικμό των
  2,000,000 χρθςτϊν μζςα ςε δφο μινεσ.
Ο κρυμμζνοσ πλοφτοσ
Το Πρόβλημα                                     1010
                                              1010 1010      1010
                                            1010 1010      1010 1010
                                          1010 1010 1010 1010 1010
                                        1010 1010 1010 1010 1010 1010
                                         1010 001001011010 1010 1010
                                             00100101 1010 00100101
                                          00100101 1010 00100101
                                               00100101 00100101 1010
                                        00100101 1010       00100101
                                        1010 0010010100100101 1010
                                         00100101     1010 00100101 1010
                                             00100101 00100101 1010
                                            00100101      00100101 1010
                                           00100101 1010 00100101 1010
                                        1010 00100101      00100101 1010
                                           00100101 1010 00100101
                                            1010 1010   00100101 1010
                                              1010 1010 1010 1010
                                             1010               1010
                                               1010              1010




      = Υπζρογκα ποςά πλθροφορίασ
   + Μθ ςχετικό περιεχόμενο (κόρυβοσ)
Άλλα παραδείγματα
Ομαδοποίηςη (Clustering)
ClustTour




            landmark

            event
Η εφαρμογή
Η εφαρμογή
Η εφαρμογή
Η Θεςςαλονίκη μζςα από το ClustTour
Σενάριο Ι

• Θζλω να ταξιδζψω ςτθν πόλθ Χ
• Γριγορθ επιςκόπθςθ του χάρτθ:
      (α) Περιοχζσ με ςθμεία ενδιαφζροντοσ
      (β) Περιοχζσ που γίνονται εκδθλϊςεισ (ςυναυλίεσ, κλπ.)
• Τί να δω?
   – Γριγορθ επιςκόπθςθ των ςθμείων ενδιαφζροντοσ και επιλογι με
     βάςθ το τί μου φαίνεται ενδιαφζρον
   – Για κάκε ςθμείο ενδιαφζροντοσ βλζπω τα κοντινά ϊςτε να ςυνδυάςω
     επιςκζψεισ.
• Τι κερδίηω?
   – Τα ςθμεία ενδιαφζροντοσ προκφπτουν αυτόματα με βάςθ τα
     ενδιαφζροντα των χρθςτϊν (και όχι κάποιου ςυντάκτθ)
   – Στα ςθμεία ενδιαφζροντοσ περιζχονται και πιο «ψαγμζνα» ςθμεία
     που οι κλαςικοί οδθγοί πόλθσ δεν περιζχουν
   – Η ςυλλογι και οργάνωςθ των δεδομζνων γίνεται ςχεδόν
     αυτόματα.
Σενάριο ΙΙ

• Είμαι υπεφκυνοσ τουριςτικισ προβολισ τθσ πόλθσ

• Ποια ςθμεία τθσ πόλθσ ςυγκεντρϊνουν μεγαλφτερθ
  επιςκεψιμότθτα?

• Ποια αξιοκζατα «ςυνδυάηουν» οι επιςκζπτεσ?

• Ποιεσ είναι οι περίοδοι/ϊρεσ υψθλισ επιςκεψιμότθτασ?

• Από ποιεσ χϊρεσ προζρχονται οι επιςκζπτεσ?
Στο μζλλον
• Μελλοντικζσ επεκτάςεισ:
  – Εμπλουτιςμόσ με εξωτερικζσ πθγζσ περιεχομζνου (π.χ.
    Wikipedia, travel blogs)
  – Εφαρμογι ςε real-time δεδομζνα

• Εφαρμογι ςε άλλουσ τομείσ:
  – Διαχείριςθ κρίςεων: ομαδοποίθςθ tweets ςε ςχζςθ με
    γεγονότα ζκτακτθσ ανάγκθσ (πυρκαγιζσ, πλθμμφρεσ, κλπ.)
  – Ηλεκτρονικι ςυμμετοχι ςε διακυβζρνθςθ: ομαδοποίθςθ
    από γνϊμεσ πολιτϊν, ςτατιςτικι ανάλυςθ/οπτικοποίθςθ
    αποτελεςμάτων
  – Περιβάλλον/Πόλθ: Ομαδοποίθςθ και κατάταξθ
    προβλθμάτων (π.χ. από παράπονα πολιτϊν)
Η ομάδα

Συμεϊν Παπαδόπουλοσ
Συνεργαηόμενοσ ερευνθτισ ΙΠΤΗΛ
Υποψιφιοσ διδάκτορασ ΑΠΘ

                                 Κομπατςιάρθσ Γιάννθσ
                             Ερευνθτισ Β’ Βακμίδασ ΙΠΤΗΛ



Χριςτοσ Ζιγκόλθσ
Συνεργαηόμενοσ ερευνθτισ ΙΠΤΗΛ
Υποψιφιοσ διδάκτορασ ΑΠΘ


                                        Ακθνά Βακάλθ
                            Αναπλθρϊτρια Κακθγιτρια ΑΠΘ

Στζφανοσ Καπίρθσ
Web developer, PALMOS ANALYSIS
Απόφοιτοσ Μεταπτυχιακοφ ΠΣ ΑΠΘ




Ινςτιτοφτο Πλθροφορικισ &
                                       Τμιμα Πλθροφορικισ, ΑΠΘ
Τθλεματικισ, ΕΚΕΤΑ
www.clusttour.gr

     http://twitter.com/clusttour

clusttour@gmail.com / papadop@iti.gr

More Related Content

More from Symeon Papadopoulos

Similarity-based retrieval of multimedia content
Similarity-based retrieval of multimedia contentSimilarity-based retrieval of multimedia content
Similarity-based retrieval of multimedia contentSymeon Papadopoulos
 
Twitter-based Sensing of City-level Air Quality
Twitter-based Sensing of City-level Air QualityTwitter-based Sensing of City-level Air Quality
Twitter-based Sensing of City-level Air QualitySymeon Papadopoulos
 
Aggregating and Analyzing the Context of Social Media Content
Aggregating and Analyzing the Context of Social Media ContentAggregating and Analyzing the Context of Social Media Content
Aggregating and Analyzing the Context of Social Media ContentSymeon Papadopoulos
 
Verifying Multimedia Content on the Internet
Verifying Multimedia Content on the InternetVerifying Multimedia Content on the Internet
Verifying Multimedia Content on the InternetSymeon Papadopoulos
 
A Web-based Service for Image Tampering Detection
A Web-based Service for Image Tampering DetectionA Web-based Service for Image Tampering Detection
A Web-based Service for Image Tampering DetectionSymeon Papadopoulos
 
Learning to detect Misleading Content on Twitter
Learning to detect Misleading Content on TwitterLearning to detect Misleading Content on Twitter
Learning to detect Misleading Content on TwitterSymeon Papadopoulos
 
Near-Duplicate Video Retrieval by Aggregating Intermediate CNN Layers
Near-Duplicate Video Retrieval by Aggregating Intermediate CNN LayersNear-Duplicate Video Retrieval by Aggregating Intermediate CNN Layers
Near-Duplicate Video Retrieval by Aggregating Intermediate CNN LayersSymeon Papadopoulos
 
Verifying Multimedia Use at MediaEval 2016
Verifying Multimedia Use at MediaEval 2016Verifying Multimedia Use at MediaEval 2016
Verifying Multimedia Use at MediaEval 2016Symeon Papadopoulos
 
Placing Images with Refined Language Models and Similarity Search with PCA-re...
Placing Images with Refined Language Models and Similarity Search with PCA-re...Placing Images with Refined Language Models and Similarity Search with PCA-re...
Placing Images with Refined Language Models and Similarity Search with PCA-re...Symeon Papadopoulos
 
In-depth Exploration of Geotagging Performance
In-depth Exploration of Geotagging PerformanceIn-depth Exploration of Geotagging Performance
In-depth Exploration of Geotagging PerformanceSymeon Papadopoulos
 
Perceived versus Actual Predictability of Personal Information in Social Netw...
Perceived versus Actual Predictability of Personal Information in Social Netw...Perceived versus Actual Predictability of Personal Information in Social Netw...
Perceived versus Actual Predictability of Personal Information in Social Netw...Symeon Papadopoulos
 
Web and Social Media Image Forensics for News Professionals
Web and Social Media Image Forensics for News ProfessionalsWeb and Social Media Image Forensics for News Professionals
Web and Social Media Image Forensics for News ProfessionalsSymeon Papadopoulos
 
Predicting News Popularity by Mining Online Discussions
Predicting News Popularity by Mining Online DiscussionsPredicting News Popularity by Mining Online Discussions
Predicting News Popularity by Mining Online DiscussionsSymeon Papadopoulos
 
Finding Diverse Social Images at MediaEval 2015
Finding Diverse Social Images at MediaEval 2015Finding Diverse Social Images at MediaEval 2015
Finding Diverse Social Images at MediaEval 2015Symeon Papadopoulos
 
CERTH/CEA LIST at MediaEval Placing Task 2015
CERTH/CEA LIST at MediaEval Placing Task 2015CERTH/CEA LIST at MediaEval Placing Task 2015
CERTH/CEA LIST at MediaEval Placing Task 2015Symeon Papadopoulos
 
Verifying Multimedia Use at MediaEval 2015
Verifying Multimedia Use at MediaEval 2015Verifying Multimedia Use at MediaEval 2015
Verifying Multimedia Use at MediaEval 2015Symeon Papadopoulos
 
Detecting image splicing in the wild Web
Detecting image splicing in the wild WebDetecting image splicing in the wild Web
Detecting image splicing in the wild WebSymeon Papadopoulos
 
Learning to Classify Users in Online Interaction Networks
Learning to Classify Users in Online Interaction NetworksLearning to Classify Users in Online Interaction Networks
Learning to Classify Users in Online Interaction NetworksSymeon Papadopoulos
 
News-oriented multimedia search over multiple social networks
News-oriented multimedia search over multiple social networksNews-oriented multimedia search over multiple social networks
News-oriented multimedia search over multiple social networksSymeon Papadopoulos
 

More from Symeon Papadopoulos (20)

Similarity-based retrieval of multimedia content
Similarity-based retrieval of multimedia contentSimilarity-based retrieval of multimedia content
Similarity-based retrieval of multimedia content
 
Twitter-based Sensing of City-level Air Quality
Twitter-based Sensing of City-level Air QualityTwitter-based Sensing of City-level Air Quality
Twitter-based Sensing of City-level Air Quality
 
Aggregating and Analyzing the Context of Social Media Content
Aggregating and Analyzing the Context of Social Media ContentAggregating and Analyzing the Context of Social Media Content
Aggregating and Analyzing the Context of Social Media Content
 
Verifying Multimedia Content on the Internet
Verifying Multimedia Content on the InternetVerifying Multimedia Content on the Internet
Verifying Multimedia Content on the Internet
 
A Web-based Service for Image Tampering Detection
A Web-based Service for Image Tampering DetectionA Web-based Service for Image Tampering Detection
A Web-based Service for Image Tampering Detection
 
Learning to detect Misleading Content on Twitter
Learning to detect Misleading Content on TwitterLearning to detect Misleading Content on Twitter
Learning to detect Misleading Content on Twitter
 
Near-Duplicate Video Retrieval by Aggregating Intermediate CNN Layers
Near-Duplicate Video Retrieval by Aggregating Intermediate CNN LayersNear-Duplicate Video Retrieval by Aggregating Intermediate CNN Layers
Near-Duplicate Video Retrieval by Aggregating Intermediate CNN Layers
 
Verifying Multimedia Use at MediaEval 2016
Verifying Multimedia Use at MediaEval 2016Verifying Multimedia Use at MediaEval 2016
Verifying Multimedia Use at MediaEval 2016
 
Multimedia Privacy
Multimedia PrivacyMultimedia Privacy
Multimedia Privacy
 
Placing Images with Refined Language Models and Similarity Search with PCA-re...
Placing Images with Refined Language Models and Similarity Search with PCA-re...Placing Images with Refined Language Models and Similarity Search with PCA-re...
Placing Images with Refined Language Models and Similarity Search with PCA-re...
 
In-depth Exploration of Geotagging Performance
In-depth Exploration of Geotagging PerformanceIn-depth Exploration of Geotagging Performance
In-depth Exploration of Geotagging Performance
 
Perceived versus Actual Predictability of Personal Information in Social Netw...
Perceived versus Actual Predictability of Personal Information in Social Netw...Perceived versus Actual Predictability of Personal Information in Social Netw...
Perceived versus Actual Predictability of Personal Information in Social Netw...
 
Web and Social Media Image Forensics for News Professionals
Web and Social Media Image Forensics for News ProfessionalsWeb and Social Media Image Forensics for News Professionals
Web and Social Media Image Forensics for News Professionals
 
Predicting News Popularity by Mining Online Discussions
Predicting News Popularity by Mining Online DiscussionsPredicting News Popularity by Mining Online Discussions
Predicting News Popularity by Mining Online Discussions
 
Finding Diverse Social Images at MediaEval 2015
Finding Diverse Social Images at MediaEval 2015Finding Diverse Social Images at MediaEval 2015
Finding Diverse Social Images at MediaEval 2015
 
CERTH/CEA LIST at MediaEval Placing Task 2015
CERTH/CEA LIST at MediaEval Placing Task 2015CERTH/CEA LIST at MediaEval Placing Task 2015
CERTH/CEA LIST at MediaEval Placing Task 2015
 
Verifying Multimedia Use at MediaEval 2015
Verifying Multimedia Use at MediaEval 2015Verifying Multimedia Use at MediaEval 2015
Verifying Multimedia Use at MediaEval 2015
 
Detecting image splicing in the wild Web
Detecting image splicing in the wild WebDetecting image splicing in the wild Web
Detecting image splicing in the wild Web
 
Learning to Classify Users in Online Interaction Networks
Learning to Classify Users in Online Interaction NetworksLearning to Classify Users in Online Interaction Networks
Learning to Classify Users in Online Interaction Networks
 
News-oriented multimedia search over multiple social networks
News-oriented multimedia search over multiple social networksNews-oriented multimedia search over multiple social networks
News-oriented multimedia search over multiple social networks
 

ClustTour: A digital travel through millions of photos (in Greek)

  • 1. ClustTour: Εκατομμφρια φωτογραφίεσ μασ ταξιδεφουν ψθφιακά ςτον κόςμο
  • 2. Μερικά νοφμερα • 5,000,000,000 εικόνεσ ςτο (Σεπ. 2010) • Μόνο το Σαββατοκφριακο τθσ Πρωτοχρονιάσ ανζβθκαν 750,000,000 φωτογραφίεσ ςτο • Η εφαρμογι ξεπζραςε τον αρικμό των 2,000,000 χρθςτϊν μζςα ςε δφο μινεσ.
  • 4. Το Πρόβλημα 1010 1010 1010 1010 1010 1010 1010 1010 1010 1010 1010 1010 1010 1010 1010 1010 1010 1010 1010 1010 001001011010 1010 1010 00100101 1010 00100101 00100101 1010 00100101 00100101 00100101 1010 00100101 1010 00100101 1010 0010010100100101 1010 00100101 1010 00100101 1010 00100101 00100101 1010 00100101 00100101 1010 00100101 1010 00100101 1010 1010 00100101 00100101 1010 00100101 1010 00100101 1010 1010 00100101 1010 1010 1010 1010 1010 1010 1010 1010 1010 = Υπζρογκα ποςά πλθροφορίασ + Μθ ςχετικό περιεχόμενο (κόρυβοσ)
  • 7.
  • 8.
  • 9. ClustTour landmark event
  • 13. Η Θεςςαλονίκη μζςα από το ClustTour
  • 14. Σενάριο Ι • Θζλω να ταξιδζψω ςτθν πόλθ Χ • Γριγορθ επιςκόπθςθ του χάρτθ: (α) Περιοχζσ με ςθμεία ενδιαφζροντοσ (β) Περιοχζσ που γίνονται εκδθλϊςεισ (ςυναυλίεσ, κλπ.) • Τί να δω? – Γριγορθ επιςκόπθςθ των ςθμείων ενδιαφζροντοσ και επιλογι με βάςθ το τί μου φαίνεται ενδιαφζρον – Για κάκε ςθμείο ενδιαφζροντοσ βλζπω τα κοντινά ϊςτε να ςυνδυάςω επιςκζψεισ. • Τι κερδίηω? – Τα ςθμεία ενδιαφζροντοσ προκφπτουν αυτόματα με βάςθ τα ενδιαφζροντα των χρθςτϊν (και όχι κάποιου ςυντάκτθ) – Στα ςθμεία ενδιαφζροντοσ περιζχονται και πιο «ψαγμζνα» ςθμεία που οι κλαςικοί οδθγοί πόλθσ δεν περιζχουν – Η ςυλλογι και οργάνωςθ των δεδομζνων γίνεται ςχεδόν αυτόματα.
  • 15. Σενάριο ΙΙ • Είμαι υπεφκυνοσ τουριςτικισ προβολισ τθσ πόλθσ • Ποια ςθμεία τθσ πόλθσ ςυγκεντρϊνουν μεγαλφτερθ επιςκεψιμότθτα? • Ποια αξιοκζατα «ςυνδυάηουν» οι επιςκζπτεσ? • Ποιεσ είναι οι περίοδοι/ϊρεσ υψθλισ επιςκεψιμότθτασ? • Από ποιεσ χϊρεσ προζρχονται οι επιςκζπτεσ?
  • 16. Στο μζλλον • Μελλοντικζσ επεκτάςεισ: – Εμπλουτιςμόσ με εξωτερικζσ πθγζσ περιεχομζνου (π.χ. Wikipedia, travel blogs) – Εφαρμογι ςε real-time δεδομζνα • Εφαρμογι ςε άλλουσ τομείσ: – Διαχείριςθ κρίςεων: ομαδοποίθςθ tweets ςε ςχζςθ με γεγονότα ζκτακτθσ ανάγκθσ (πυρκαγιζσ, πλθμμφρεσ, κλπ.) – Ηλεκτρονικι ςυμμετοχι ςε διακυβζρνθςθ: ομαδοποίθςθ από γνϊμεσ πολιτϊν, ςτατιςτικι ανάλυςθ/οπτικοποίθςθ αποτελεςμάτων – Περιβάλλον/Πόλθ: Ομαδοποίθςθ και κατάταξθ προβλθμάτων (π.χ. από παράπονα πολιτϊν)
  • 17. Η ομάδα Συμεϊν Παπαδόπουλοσ Συνεργαηόμενοσ ερευνθτισ ΙΠΤΗΛ Υποψιφιοσ διδάκτορασ ΑΠΘ Κομπατςιάρθσ Γιάννθσ Ερευνθτισ Β’ Βακμίδασ ΙΠΤΗΛ Χριςτοσ Ζιγκόλθσ Συνεργαηόμενοσ ερευνθτισ ΙΠΤΗΛ Υποψιφιοσ διδάκτορασ ΑΠΘ Ακθνά Βακάλθ Αναπλθρϊτρια Κακθγιτρια ΑΠΘ Στζφανοσ Καπίρθσ Web developer, PALMOS ANALYSIS Απόφοιτοσ Μεταπτυχιακοφ ΠΣ ΑΠΘ Ινςτιτοφτο Πλθροφορικισ & Τμιμα Πλθροφορικισ, ΑΠΘ Τθλεματικισ, ΕΚΕΤΑ
  • 18. www.clusttour.gr http://twitter.com/clusttour clusttour@gmail.com / papadop@iti.gr