Some translation techniques applied in translating scientific articles.docx

Dịch vụ viết thuê đề tài – KB Zalo/Tele 0917.193.864 – luanvantrust.com
2
Kham thảo miễn phí – Kết bạn Zalo/Tele mình 0917.193.864
DAI NAM UNIVERSITY
FACULTY OF FOREIGN LANGUAGES
GRADUATION PROJECT REPORT
Time duration: July - August/2020
Location: Dai Nam University
Student: Nguyen Thi Dinh
Supervisor: Nguyen Thi Nhien
HANOI – August

1
CONTENTS
1. INTRODUCTION....................................................................................... 1
1.1. Descriptions of internship facility, reasons, purposes and expectations ..... 1
1.1.1 Descriptions of internship facility........................................................ 1
1.1.2. Reasons................................................................................................ 2
1.1.3 Purposes................................................................................................ 2
1.1.4. Expectations ........................................................................................ 2
1.2. Internship duration........................................................................................ 2
1.3. Name of topic, the reason for choosing the topic......................................... 3
1.3.1 Name of topic:...................................................................................... 3
1.3.2 The reason for choosing the topic ........................................................ 3
2. RESEARCH METHODS ........................................................................... 3
3. RESEARCH CONTENT............................................................................ 3
3.1. Theory of Translation................................................................................... 3
3.2. Vietnamese - English Translation ................................................................ 6
3.3. English - Vietnamese Translation .............................................................. 16
4. CONCLUSION.......................................................................................... 28
5. APPENDIX ................................................................................................ 28
6. REFERENCES ............................................................................................ 35
7. SUPERVISOR’S REMARKS .................... Error! Bookmark not defined.

1
1. INTRODUCTION
Internship is a compulsory part in all university curriculums. It is a
precious opportunity for graduate students to take theories learnt at university into
practice. With this opportunity, students can have a clear view about their job in
the future. They can realize their strengths as well as their weakness to complete
themselves.
Translation is one of the compulsory subjects at university for students
who are majored in English. It is difficult but very interesting. Many translation
techniques should be applied to get a translated document with full message from
source text.
This translation project includes some scientific articles about image
inquiry which I am working on with my team and from other sources extracted. I
have used many methods of translation to work with it. This intership report is not
only my assignment but it also gives me a good opportunity to revise all the
knowledge of translation I have learnt so far.
1.1. Descriptions of internship facility, Reasons and purposes and
expectations
1.1.1 Descriptions of internship facility
Dai Nam University is one of the multi-disciplinary training universities
in Hanoi. At present, there are nearly 20 faculties and institute at the university.
The number of students at Dai Nam University is rather high, and this number is
getting higher and higher.
Foreign language department is one of the key faculties at Dai Nam
University. At present time, 23 teachers are working here. They are all good and
enthusiastic teachers. Students in the faculty are majored in English in Business.
The curriculum is divided into 2 main parts. In the early years, students study
general English, which mainly focus on 4 language skills: reading, listening,
speaking and writing. In the following years, they will be provided with English

2
for specific purposes like translation, business English, commercial English,
financial English. etc.
I think, this is a good training place for me to learn and practice the
acquired knowledge, so I chose to do my internship here.
1.1.2. Reasons
Internship is a compulsory part for all students before graduating from
university. This exercise is a good opportunity to practice skills and knowledge
which is neccessary for their careers in the future.
My future job will involve a lot of translation so this is a great opportunity
for me to revise usefull translation techniques as well as practice my translation
skills.
1.1.3 Purposes
During this precious opportunity, I would like to:
- Review language knowledge I have learned at the univeristy,
- Experience working in a professional English environment,
- Apply the knowledge learned about translation into practice,
- Learn and practice soft skills.
1.1.4. Expectations
After the internship, I expect the followings:
- Improve communication skills, discussion skills and writing skill as
well,
- Improve self-study skills, self-research skills, write paper skills, etc.
- Create the foundation for my future job.
1.2. Internship duration
My practice time was 6 weeks, from July 20, 2020 to August 29, 2020.

3
1.3. Name of topic , the reason for choosing the topic
1.3.1 Name of topic: My topic is “Some translation techniques applied in
translating scientific articles”
1.3.2 The reason for choosing the topic
Currently, I am working on image retrieval, a field of the information
technology. The scientific papers about image retrieval theory and experiment
were written in English, so I chose the topic of scientific article translation
techniques to deal with in this report.
2. RESEARCH METHODS
In this research, I have used quantitative research method because many
scientific papers can be found in prestigious scientific journals, which provide
me with a truthful and vital source of knowlege and English language.
My research steps include reviewing all translation techniques,
choosing translation materials, choosing translation sentences, translating
sentences, and revising them.
3. RESEARCH CONTENT
3.1. Theories of Translation
Translation is defined as a process of changing from one state or form to
another, to turn into one’s own or another’s language. (The Merriam - Webster
Dictionary, 1974) [9]. According to Wiki pedia, ‘translation is the communication
of the meaning of a source language text by means of an equivalent target
language text’.
There are 9 translation methods [9].
 Word-for-word Translation (WT): Word-for-word translation focuses
mainly on translating words from the sources text into target language while the

4
word order of the original is preserve. This method of translation can be seen in
these case where some value of humor is needed.
 Literal Translation (LiT): Literal translation is featured by the fact that
grammatical structure and the meaning of words are translated almost as closely
as in the target language without paying attention to the situation or context.
 Faithful Translation( FT) : Faithful translation can be described as one
kind of translation which tries to convey the meaning of words and context
situation according to the grammar rules of the target language, however, there is
some unusually or unnaturalness in the target language.
 Semantic Translation (SeT): Semantic translation focuses to great
degree on meaning (semantic content) and form (syntax) of the original text of
high status such as religious text, legal texts, literature, speeches.
 Communicative Translation (CT): Communicative translation is freer
than the above-mentioned types. This strategy gives high priority to the message
communicated in the text where the actual form of the original is not closely
bound to its intended meaning.
 Idiomatic Translation (IT): Idiomatic translation is based on the
meaning of the text which aims to produce the message of the original but tends
to distort nuances of the meaning by colloquialism and idiom where these do not
exist in the original.
 Free Translation (FrT): Free translation focuses more on content than
form in the target language, as a result, sometimes the grammar structure or the
form of the words in the target language may change, and the number of words
and the sentence length may vary, depending on the subjectivity of the translator.
 Adaptation Translation (AT): This is a highly free type of translation.
Here the focus is on socio-cultural phenomena or practices that are absent I the
target culture, rather than on lingustic units. It is used mainly for plays (comedies)
and poetry: the themes, characters, plots are usually preserved, the source

5
language culture converted to the culture and the text rewritten by an established
dramatist or poet.
 Gist Translation (GT): It is the freest type of translation. Gist
translation is characterized by keeping the main idea/gist of text, omitting all its
supporting details and subsidiary arguments. Gist translation can be used in
language learning situtions to summarize a written text at a written test.

6
3.2. Vietnamese - English Translation
No. Source texts Translated texts Translation
methods
used
1 Trong bài báo này, một mô hình phân cụm dữ
liệu dựa trên cây BKD-Tree, một cải tiến cải
tiến của cây KD-Tree áp dụng cho bài toán tìm
kiếm ảnh, bao gồm:
In the paper, the data clustering model based on
the BKD-Tree, an improvement of KD-Tree for
the image retrieval. This model includes:
Faithful
Translation
2 (1) lưu trữ các đối tượng đa chiều tại nút lá để
tạo ra một sự phân cụm trên cơ sở phương pháp
học bán giám sát;
(1) storing multi-dimensional data objects at the
leaf nodes of the tree to create data clusters based
on semi-supervised learning method.
Word-for-
word
Translation
3 (2) tạo ra một cấu trúc cây cân bằng nhằm tăng
hiệu suất cho bài toán tìm kiếm ảnh.
(2) create a balanced tree structure to increase the
efficiency of image search.
Word-for-
word
Translation
4 Chúng tôi sử dụng cây BKD-Tree để tiến hành
thực nghiệm trên bộ ảnh ImageCLEF (gồm
20.000 ảnh).
We use BKD-Tree to make experiment on
ImageCLEF image set (including 20,000 images).
Faithful
Translation

7
5 Kết quả thực nghiệm của chúng tôi được so
sánh với một số công trình gần đây trên cùng
bộ dữ liệu để minh chứng tính hiệu quả của
phương pháp đã được đề xuất.
Our experimental results are compared with
several recent works on the same data set to
demonstrate the effectiveness of the proposed
method.
Free
Translation
6 Theo kết quả thực nghiệm cho thấy phương
pháp của chúng tôi là hiệu quả và có thể áp
dụng được cho các hệ thống tìm kiếm ảnh
tương tự theo nội dung.
This shows that our method is effective and can be
applied to similar image retrieval systems by
content.
Gist
Translation
7 Cây KD-Tree là một cấu trúc dữ liệu được sử
dụng để tổ chức các điểm trong không gian đa
chiều.
The KD-Tree is a data structure for organizing
points in a K-Dimensional space.
Word-for-
word
Translation
8 Cây KD-Tree là một cây nhị phân tìm kiếm mà
dữ liệu tại mỗi nút là một véc-tơ k-chiều trong
không gian.
The K-D Tree is a binary search tree where data in
each node is a K-Dimensional point in space.
Word-for-
word
Translation
9 Mỗi nút không phải là nút lá trên cây KD-Tree
chia không gian thành hai phần gọi là nửa mặt
phẳng.
A non-leaf node in K-D tree divides the space into
two parts, called as half-spaces.
Word-for-
word
Translation

8
10 Dựa trên cây KD-Tree nguyên thủy này, chúng
tôi đề xuất cấu trúc cây BKD-Tree là cây nhị
phân cân bằng để ứng dụng cho bài toán tìm
kiếm ảnh và thực nghiệm trên bộ ảnh
ImageCLEF.
Based on the original KD-Tree, we proposed a
data structure BKD-Tree, which is a balanced
binary tree
to apply for image retrievl and experiment on
ImageCLEF image dataset.
Literal
Translation
11 Cây BKD-Tree được dùng để lưu trữ các véc-
tơ đặc trưng thị giác của hình ảnh đã phân đoạn.
The BKD-Tree is used to store visual feature
vectors of the segmented image.
Word-for-
word
Translation
12 Năm 2002, Y. He và cộng sự đã thực hiện một
khảo sát về việc sử dụng cây KD-Tree trong
nâng cao hiệu quả tìm kiếm ảnh.
In 2002, Y. He et al conducted a survey on the use
of KD-Tree structure to increase the efficiency of
image search.
Word-for-
word
Translation
13 Nhóm tác giả đã thực nghiệm trên bộ dữ liệu
gồm 10.115 ảnh.
The authors have experimented on a dataset of
10,115 images.
Literal
Translation
14 Kết quả bài báo này là thời gian truy vấn ảnh
nhanh gấp ba lần so với cách tìm kiếm tuyến
tính.
The result of this article is that the image query
time is three times faster than the linear search.
Literal
Translation

9
15 Năm 2015, Y. H. Sharath Kumar giới thiệu mô
hình lập chỉ mục các đối tượng.
In 2015, Y. H. Sharath Kumar introduced the
objects indexing model.
Literal
Translation
16 Trong nghiên cứu này, cơ sở dữ liệu đầu vào rất
lớn nên thời gian truy xuất chậm.
In this related work, the input database is very
large, so the access time is slow.
Literal
Translation
17 Một giải pháp cho tăng tốc quá trình truy xuất
là thiết kế mô hình lập chỉ mục.
A solution to speed up the retrieval process is to
design an index model.
Faithful
Translation
18 Cây KD-Tree chỉ mục được sử dụng cho hệ
thống truy xuất dữ liệu được xây dựng dựa trên
đặc trưng SIFT (Scale Invariant Feature
Transform), biểu đồ phân lớp HOG (Histogram
of Gradients), biểu đồ hướng cạnh EOH (Edge
orientation histograms) và hình dạng SC
(Shape context).
The KD-Tree index is used for the data retrieval
system which is built on the Scale Invariant
Feature Transform (SIFT), Histogram of
Gradients (HOG), Edge orientation histograms
(EOH) and Shape context (SC)
Idiomatic
Translation
19 Cây KD-Tree là một cây nhị phân bao gồm:
một nút gốc, các nút trong và nút lá.
The KD-Tree is a binary tree that consists of: a
root node, inner nodes, and leaf nodes.
Word-for-
word
Translation

10
20 Nút gốc là nút chỉ liên kết tối đa đến hai nút con
và không có liên kết đến nút cha.
A root node is a node that only links up to two
children and has not parent node.
Faithful
Translation
21 Chúng tôi đề xuất các phương pháp trích xuất
đặc trưng thị giác của hình ảnh và thực hiện tra
cứu ảnh tương tự theo nội dung dựa trên chỉ
mục nhị phân, chỉ mục này được gọi là chữ ký
nhị phân của hình ảnh.
We propose a serveral methods of extracting the
visual features of the image and performing
image retrieval by content based on binary index,
which is called the binary signature of image.
Faithful
Translation
22 Có ba đặc trưng của hình ảnh được trích xuất
nhằm xây dựng phương pháp tra cứu ảnh bao
gồm: dải màu của một tập ảnh cho trước, đặc
trưng SIFT (Scale Invariant Features
Transform) và đối tượng đặc trưng.
There are three features of image to develop the
image retrieval method including the color palette
of image set, the SIFT features and the interest
objects.
Faithful
Translation
23 Để xây dựng phương pháp tra cứu ảnh tương tự
theo nội dung, chúng tôi lần lượt đề xuất các
thuật toán bao gồm.
In order to develop the image retrieval method, we
propose algorithms including.
Gist
Translation
24 Thuật toán trích xuất dải màu bằng cách cải
tiến thuật toán K-means, thuật toán trích xuất
the algorithm of extracting color palette by
improving the K-means algorithm, the algorithm
Faithful
Translation

11
đặc trưng SIFT dựa trên phương pháp Harris-
Laplace, thuật toán trích xuất đối tượng đặc
trưng dựa trên không gian màu CIE-L*a*b* và
phép biến đổi DWT (Discrete Wavelet
Frames)
of extraction SIFT features based on the Harris-
Laplace method, the object extraction algorithm
is based on CIE-L*a*b* color space and DWT
(Discrete Wavelet Frames).
25 Từ các đặc trưng hình ảnh đã được trích xuất,
chúng tôi xây dựng chữ ký nhị phân và độ đo
tương tự để làm cơ sở xây dựng phương pháp
tìm kiếm ảnh tương tự.
On the base of extracted features, we build binary
signature and similarity measure to form the
similar image
retrieval method.
Semantic
Translation
26 Từ đó, hệ tra cứu ảnh tương tự theo nội dung
được xây dựng.
From that, the content-based image retrieval
system is built.
Semantic
Translation
27 Nhằm minh chứng cơ sở lý thuyết đã đề xuất,
chúng tôi xây dựng 6 ứng dụng khác nhau nhằm
đánh giá kết quả về độ chính xác và thời gian
tra cứu ảnh trên bộ dữ liệu COREL.
To illustrate the proposed
theoretical, we give six different applications for
evaluating the accuracy and speed of image
retrieval on COREL data set.
Semantic
Translation

12
28 Kết quả thực nghiệm được so sánh với các
phương pháp tra cứu ảnh đã có nhằm đánh giá
tính hiệu quả của phương pháp đề xuất.
The experimental results are compared with the
other methods to evaluate the effectiveness of the
proposed methods
Semantic
Translation
29 Chúng tôi tạo chỉ mục
nhị phân mô tả màu sắc và mô tả đối tượng để
từ đó tạo thành chữ ký nhị phân cho hình ảnh
we create the index Binary describes the color and
describes the object from which to form the binary
signature for the image.
Semantic
Translation
30 Để sử dụng hình dạng như là một đặc trưng của
hình ảnh, bước cơ bản là phân đoạn hình ảnh để
tìm
đối tượng.
To use the shape as a feature of the image, the
basic step is to segment the image to find the
object.
Semantic
Translation
31 Trong phương pháp này, chúng tôi gom cụm
các điểm ảnh thuộc về các vùng liên thông dựa
trên màu sắc và cấu trúc
In this method, we cluster the pixels that belong to
the connected regions on color and structure.
Word-for-
word
Translation
32 Bài báo tiếp cận phân đoạn hình ảnh sao cho
mỗi hình ảnh được phân đoạn thành các vùng
đặc trưng để từ đó làm cơ sở xây dựng chữ ký
nhị phân nhằm mô tả nội dung hình ảnh.
The article approaches image segments so that
each image is segmented feature regions from
which to form the basis of building binary
signatures to describe image content.
Word-for-
word
Translation

13
33 Ảnh phân đoạn được tạo ra từ việc nhóm các
điểm ảnh trở thành một vùng tương tự.
Segmental image is created from grouping pixels
into a similar area.
Word-for-
word
Translation
34 Để nhận diện các đặc tính cấu trúc của các
điểm ảnh láng giềng, chúng tôi sử dụng phép
biến đổi DWF (Discrete Wavelet Frames)
To identify the structural properties of
neighboring pixels, we use transformations DWF
(Discrete Wavelet Frames)
Word-for-
word
Translation
35 Phép DWF thực thi trên băng tần lọc dựa trên
phép lọc thông thấp H z ( ) để phân giải mỗi
thành phần cường độ của ảnh thành một tập
các băng tần con.
DWF permission Execute on-band filtering based
on H z () low-pass filtering to resolve each
intensity component image into a set of sub-
bands.
Semantic
Translation
36 Bài toán truy vấn ảnh theo ngữ nghĩa SBIR
(Semantic-Based Image Retrieval) được quan
tâm trong những năm gần đây.
The Semantic-Based Image Retrieval (SBIR)
problem is of interest in recent years.
Semantic
Translation
37 Hướng tiếp cận này có thể trích xuất ngữ nghĩa
hình ảnh và khắc phục được nhược điểm của
phương pháp truy vấn ảnh theo văn bản TBIR
(Text-Based Image Retrieval).
This approach can extract image semantics and
overcome the disadvantages of Text-Based Image
Retrieval (TBIR).
Semantic
Translation

14
38 Chúng tôi đề xuất phương pháp truy vấn ảnh và
trích xuất ngữ nghĩa bằng đồ thị đặc trưng thị
giác của hình ảnh và cấu trúc đồ thị cụm.
We propose methods retrieval and extracting
images semantics with a visual feature graph of
images and a cluster graph.
Semantic
Translation
39 Để thực hiện vấn đề này, phương pháp gom
cụm đặc trưng thị giác hình ảnh được đề xuất
nhằm tạo ra đồ thị cụm để từ đó trích xuất ngữ
nghĩa hình ảnh.
To accomplish this problem, the visual feature
graph clustering method is proposed to create the
cluster graph from which to extract image
semantics..
Faithful
Translation
40 Trước hết, chúng tôi đề xuất cấu trúc đồ thị mô
tả hình ảnh và độ đo tương tự dựa trên đặc trưng
thị giác cấp thấp cùng với quan hệ không gian
giữa các vùng trong ảnh.
First of all, we propose a structure of image
description graphs and similarity measure based
on low-level features along with spatial
relationships among regions in the image..
Semantic
Translation
41 Sau đó, đồ thị cụm được tạo ra bằng phương
pháp gom cụm các đồ thị đặc trưng của hình
ảnh trên cơ sở độ đo đã được đề xuất.
Then, cluster graphs were created using a method
of clustering the visual feature graphs of the
images on the basis of the proposed similarity
measure;.
Word-for-
word
Translation
42 Đồng thời, chúng tôi xây dựng ontology mô tả
ngữ nghĩa cho tập dữ liệu ảnh và tạo ra câu truy
At the same time, we build the ontology that
describes the semantics for the image dataset and
Semantic
Translation

15
vấn SPARQL dựa trên vec-tơ từ thị giác của
hình ảnh nhằm thực hiện truy vấn trên ontology
create the SPARQL query rely on the visual word
vector to perform image retrieval on the ontology.
43 Dựa trên cấu trúc đồ thị cụm và ontology đã xây
dựng.
Based on the built cluster graph and ontology. Semantic
Translation
44 Chúng tôi đề xuất thuật toán tra cứu và trích
xuất ngữ nghĩa hình ảnh.
we propose an image retrieval and semantic
extraction algorithm.
Semantic
Translation
45 Mỗi hình ảnh được mô tả dưới dạng một đồ thị. Each image is depicted in the form of a graph. Word-for-
word
Translation
46 Đồ thị cụm nhằm mục đích tạo ra một mô hình
khai phá dữ liệu phân cụm tự động cho các bộ
dữ liệu vec-tơ đặc tính.
Cluster graph is intended to create an automatic
clustering data mining model for property vector
data sets.
Word-for-
word
Translation
47 Quá trình tạo ra đồ thị cụm được dựa trên sự kết
hợp phương pháp phân cụm phân hoạch và kỹ
thuật học bán giám sát (semi-supervisor
learning).
The process of creating cluster graphs is based on
a combination of the clustering method and semi-
supervisor learning technique.
Idiomatic
Translation

16
48 Từ đồ thị cụm 𝐶𝐺𝑟𝑎𝑝ℎ đã tạo ở trên, chúng tôi
đề xuất thuật toán trích xuất vec-tơ từ và tập ảnh
tương tự làm cơ sở cho việc trích xuất ngữ
nghĩa hình ảnh.
From the CGraph cluster graph created above, we
propose the same word vector and image set
extraction algorithm as the basis for image
semantic extraction.
Idiomatic
Translation
49 Với mỗi ảnh truy vấn, thuật toán thực hiện tìm
kiếm tập ảnh tương tự và trích xuất vec-tơ từ
dựa trên tập ảnh tương tự này.
For each query image, the algorithm does a similar
image set search and extracts word- vectors from
this same set of images.
Idiomatic
Translation
50 Quá trình trích xuất vec-tơ từ và tập ảnh tương
tự cần tìm ra cụm trong đồ thị 𝐶𝐺𝑟𝑎𝑝ℎ có độ
tương tự gần với ảnh truy vấn nhất
The process of extracting the vector from and the
similar image set needs to find the cluster in the
CGraph graph with the closest similarity to the
query image.
Semantic
Translation
3.3. English - Vietnamese Translation
No Source texts Translated texts Translation
methods used
1 The image retrieval and semantic extraction
play an important role in the multimedia
Tìm kiếm ảnh tương tự và trích xuất ngữ nghĩa là
những vấn đề quan trọng trong các hệ thống đa
Literal
Translation

17
systems such as geographic information
system, hospital information system, digital
library system, etc.
phương tiện như hệ thống thông tin địa lý, hệ
thống thông tin bệnh viện, hệ thống thư viện số, ...
2 Therefore, the research and development of
semantic-based image retrieval (SBIR) systems
have become extremely important and urgent.
Do đó, việc nghiên cứu và phát triển hệ thống truy
xuất hình ảnh dựa trên ngữ nghĩa (SBIR) đã trở
nên vô cùng quan trọng và cấp thiết.
Word-for-word
Translation
3 Semantic-based image retrieval has become an
active research topic in recent times.
Truy xuất hình ảnh dựa trên ngữ nghĩa (Semantic-
based Image Retrieval - SBIR) đã trở thành một
chủ đề nghiên cứu tích cực trong thời gian gần đây.
Semantic
Translation
4 There were many techniques of image retrieval,
which have been implemented aiming to reduce
the “semantic gap" by modeling high-level
semantics, such as techniques to build a model
for mapping between low-level features and
high-level semantics, query techniques based
on ontology to accurately describe semantics
for images, techniques for classification data,
ect.
Nhiều kỹ thuật truy xuất hình ảnh đã được triển
khai nhằm giảm khoảng cách ngữ nghĩa bằng cách
mô hình hóa ngữ nghĩa cấp cao, chẳng hạn như kỹ
thuật xây dựng mô hình để ánh xạ giữa các tính
năng cấp thấp và ngữ nghĩa cấp cao, kỹ thuật truy
vấn dựa trên Ontology để mô tả chính xác ngữ
nghĩa cho hình ảnh, kỹ thuật phân loại dữ liệu, …
Gist
Translation

18
5 Y. Cao et al. used CNN to classify images and
create binary-featured vectors
Năm 2016, Y. Cao và cộng sự đã sử dụng CNN để
phân loại hình ảnh và tạo các vectơ đặc trưng nhị
phân.
Word-for-word
Translation
6 On this basis, the authors have proposed a
DVSH model to identify a set of semantic
analog images.
Trên cơ sở này, các tác giả đã đề xuất mô hình
DVSH để xác định một tập hợp các hình ảnh tương
tự theo ngữ nghĩa.
Word-for-word
Translation
7 However, this method must implement two
processes for classifying visual and semantic
features.
Tuy nhiên, phương pháp này phải thực hiện hai
quy trình phân loại các tính năng trực quan và ngữ
nghĩa
Semantic
Translation
8 If an image lacks one of these features, the same
image is retrieved incorrectly
Nếu một hình ảnh thiếu một trong hai tính năng
này, hình ảnh tương tự được truy xuất là không
chính xác
Word-for-word
Translation
9 This method has not yet been mapped from
visual features to high-level semantics of
images.
Phương pháp này chưa được ánh xạ từ các tính
năng trực quan đến ngữ nghĩa cấp cao của hình
ảnh.
Word-for-word
Translation

19
10 In this paper, each image is segmented into
different regions according to Hugo Jair
Escalantes method.
Trong bài báo này, chúng tôi sử dụng bộ dữ liệu
hình ảnh ImageCLEF được phân đoạn theo
phương pháp của Hugo Jair Escalante.
Word-for-word
Translation
11 Each image in the dataset is segmented into
different regions.
Mỗi ảnh trong tập dữ liệu được phân đoạn thành
nhiều phân vùng khác nhau.
Word-for-word
Translation
12 The process of pre-processing phase consists of
the following steps:
Quá trình thực hiện pha tiền xử lý gồm các bước
như sau:
Faithful
Translation
13 Step 1. Extract data sample including feature
vectors f and semantic category w of each
region corresponding to each image in dataset;
Bước 1: trích xuất các mẫu dữ liệu là các vec-tơ
đặc trưng f và phân lớp ngữ nghĩa của từng phân
vùng ứng với mỗi hình ảnh trong tập dữ liệu ảnh.
Semantic
Translation
14 Step 2. Train a self-balanced clustering tree
structure, named C-Tree, to store data samples
based on K-means algorithm and Minkowski
measure.
Bước 2: tạo cấu trúc cây phân cụm tự cân bằng C-
Tree nhằm lưu trữ các mẫu dữ liệu dựa trên thuật
toán K-means và độ đo tương tự Minkowski.
Semantic
Translation

20
15 Step 3. Build ontology as RDF triple language
to describe semantics for image dataset.
Bước 3: Xây dựng Ontology dưới dạng ngôn ngữ
bộ ba RDF để mô tả ngữ nghĩa cho tập dữ liệu hình
ảnh.
Semantic
Translation
16 The process of the query phase includes the
following steps:
Quá trình thực hiện truy vấn ảnh theo ngữ nghĩa
được thực hiện như sau:
Faithful
Translation
17 Step 1. For each query image IQ, the feature
vectors of regions are extracted and retrieved
on C-Tree; the result is a set of similar images
and visual word vector.
Bước 1: Với mỗi ảnh truy vấn IQ, các vec-tơ đặc
trưng của các phân vùng ảnh được trích xuất và
truy vấn trên cây C-Tree; kết quả là tập ảnh tương
tự và vec-tơ từ thị giác.
Semantic
Translation
18 Step 2. Create a SPARQL query based on the
visual word vector and retrieve on ontology to
produce a set of URIs and the metadata of
images.
Bước 2: Tạo câu truy vấn SPARQL dựa vào vec-
tơ từ thị giác và truy vấn trên Ontology để cho kết
quả là tập URI và ngữ nghĩa, metadata của các
hình ảnh.
Semantic
Translation
19 Step 3. Arrange similar images by similarity
measure of the query image.
Bước 3: Sắp xếp tập các hình ảnh thu được theo
độ đo tương tự với ảnh truy vấn.
Semantic
Translation

21
20 Each image is a set of visual feature vectors of
each region and a set of labels assigned to each
vector.
Mỗi hình ảnh là tập hợp các vec-tơ đặc trưng của
từng vùng và tập các nhãn được gán cho từng vec-
tơ.
Word-for-word
Translation
21 Among the most commonly applied machine
learning techniques are Hidden Markov Models
(HMMs), Support Vector Machines (SVMs)
and Neural Networks (NNs).
Trong số các kỹ thuật học máy được áp dụng phổ
biến nhất là Mô hình Markov ẩn (HMM), Máy
vectơ hỗ trợ (SVM) và Mạng thần kinh (NN)
Idiomatic
Translation
22 In the COBRA model described in (Petkovic,
2001), HMMs are combined with rules and
appropriate grammars to formalize object and
event descriptions, while in (Naphade, 2002), a
factor graph network of probabilistic
multimedia objects (multijects) is defined using
HMMs and Gaussian mixture models.
Trong mô hình COBRA được mô tả trong
(Petkovic, 2001), các HMM được kết hợp với các
quy tắc và ngữ pháp phù hợp để chính thức hóa
các mô tả đối tượng và sự kiện, trong khi
(Naphade, 2002), một mạng lưới biểu đồ nhân tố
của các đối tượng đa phương tiện xác suất (đa đối
tượng) được xác định bằng HMM và mô hình hỗn
hợp Gaussian.
Idiomatic
Translation
23 Visual and audio information using Controlled
Markov Chains is also employed in (Leonardi,
2004) for the purpose of structural and semantic
Thông tin hình ảnh và âm thanh sử dụng Chuỗi
kiểm soát Markov cũng được sử dụng trong
(Leonardi, 2004) cho mục đích phân loại cấu trúc
Idiomatic
Translation

22
classification in soccer videos, while in (Xie,
2004) HMMs are used for soccer structure
analysis, respectively
và ngữ nghĩa trong video bóng đá, trong khi (Xie,
2004) HMM được sử dụng để phân tích cấu trúc
bóng đá, tương ứng.
24 In (Bose, 2003), an object SVM classifier is
presented, which adapts automatically to
arbitrary scenes by exploiting context features
Trong (Bose, 2003), một trình phân loại SVM đối
tượng được trình bày, nó tự động điều chỉnh các
cảnh tùy ý bằng cách khai thác các tính năng ngữ
cảnh.
Word-for-word
Translation
25 Under the proposed approach, a domain
ontology provides the conceptualization and
vocabulary for structuring content annotations.
Theo phương pháp đề xuất, một domain ontology
cung cấp khái niệm hóa và từ vựng để cấu trúc các
chú thích nội dung.
Word-for-word
Translation
26 Thus, the annotation terminology is made
transparent and semantic browsing based on
the ontology model is enabled, facilitating
query formulation
Do đó, thuật ngữ chú thích được thực hiện trong
suốt và duyệt ngữ nghĩa dựa trên mô hình
ontology, tạo điều kiện cho việc xây dựng truy
vấn,
Word-for-word
Translation
27 While matching the user query semantics with
the annotation metadata semantics becomes
straightforward.
Trong khi việc kết hợp ngữ nghĩa truy vấn của
người dùng với ngữ nghĩa siêu dữ liệu chú thích
trở nên đơn giản.
Faithful
Translation

23
28 Acting complementary to the manual ontology-
based annotations.
Hoạt động bổ sung cho các chú thích dựa trên
ontology thủ công,
Idiomatic
Translation
29 A semantic analysis module driven by the
corresponding domain ontology enables the
automatic generation of additional annotations,
to account for lower-level semantic
descriptions usually omitted during manual
annotation.
Một mô-đun phân tích ngữ nghĩa được điều khiển
bởi domain ontology tương ứng cho phép tạo các
chú thích bổ sung tự động, để giải thích các mô tả
ngữ nghĩa cấp thấp hơn thường bị bỏ qua trong chú
thích thủ công.
Word-for-word
Translation
30 To accomplish this, an analysis ontology is
appropriately defined to model the analysis
process and the knowledge required for
proceeding with the domain concepts detection.
Để thực hiện điều này, một analysis ontology được
xác định một cách thích hợp để mô hình hóa quá
trình phân tích và kiến thức cần thiết để tiến hành
phát hiện các khái niệm miền.
Word-for-word
Translation
31 In order to implement the proposed ontology-
based framework for performing analysis and
retrieval of visual content at a semantic level,
two ontologies, namely an analysis and a
domain one, had to be defined and
appropriately integrated
Để triển khai khung dựa trên ontology được đề
xuất để thực hiện phân tích và truy xuất nội dung
trực quan ở cấp độ ngữ nghĩa, hai ontology, cụ thể
là phân tích và miền (an analysis and a domain
ontology), phải được xác định và tích hợp một
cách thích hợp
Word-for-word
Translation

24
32 The domain ontology formalizes the domain
semantics, providing the conceptualization and
vocabulary for the visual content annotations
and the subsequent semantic retrieval.
Domain ontology chính thức hóa ngữ nghĩa miền,
cung cấp khái niệm và từ vựng cho các chú thích
nội dung trực quan và truy xuất ngữ nghĩa tiếp
theo.
Faithful
Translation
33 The domain ontology formalizes the domain
semantics, providing the conceptualization and
vocabulary for the visual content annotations
and the subsequent semantic retrieval
Ontology miền chính thức hóa ngữ nghĩa miền,
cung cấp khái niệm và từ vựng cho các chú thích
nội dung trực quan và truy xuất ngữ nghĩa tiếp theo
Faithful
Translation
34 The analysis ontology is used to guide the
analysis process and support the detection of
certain concepts defined in the domain
ontology
Ontology phân tích được sử dụng để hướng dẫn
quá trình phân tích và hỗ trợ phát hiện các khái
niệm nhất định được xác định trong domain
ontology.
Word-for-word
Translation
35 Both ontologies are expressed in RDF(S), and
their integration takes place using the
conceptually common classes between the two
ontologies as attachment points.
Cả hai ontology đều được biểu thị bằng RDF(S)
và sự tích hợp của chúng diễn ra bằng cách sử
dụng các lớp chung về mặt khái niệm giữa hai
ontology làm điểm đính kèm.
Word-for-word
Translation
36 Ontologies are recently-introduced tools for
structuring knowledge.
Bản thể học là những công cụ được giới thiệu gần
đây để cấu trúc kiến thức
Word-for-word
Translation

25
37 An ontology may be defined as the
specification of a representational vocabulary
for a shared domain of discourse which may
include definitionsof classes, relations,
functions and other
objects.
Một bản thể luận có thể được định nghĩa là đặc tả
của từ vựng đại diện cho một miền diễn ngôn được
chia sẻ có thể bao gồm các định nghĩa về các lớp,
quan hệ, hàm và các đối tượng khác.
Semantic
Translation
38 Ontologies are primarily used in text retrieval. Bản thể học chủ yếu được sử dụng trong truy xuất
văn bản
Word-for-word
Translation
39 An ontologytermed object ontologv
isemployedto allow the user to query a generic
image collection, where no domain-specific
knowledge can he employed, using high-level
concepts(keywords
representing semantic objects)..
Một bản thể luận đối tượng gọi là ontology được
sử dụng để cho phép người dùng truy vấn một bộ
sưu tập hình ảnh chung, trong đó không có kiến
thức cụ thể về miền có thể được sử dụng, sử dụng
các khái niệm cấp cao (từ khóa đại diện cho các
đối tượng ngữ nghĩa)
Faithful
Translation
40 High-level concepts, like “tiger” are described
using the intermediate-level descriptors of the
ohject ontology.
Các khái niệm cấp cao, giống như hổ hổ, được mô
tả bằng cách sử dụng các mô tả cấp trung gian của
bản thể luận đối tượng.
Faithful
Translation

26
41 These descriptorsare automaticallymapped to
the
low-level features calculated for each region in
the database, thus allowing the association of
high-level concepts and potentially relevant
image regions.
Các mô tả này được tự động ánh xạ tới các tính
năng cấp thấp được tính cho từng vùng trong cơ sở
dữ liệu, do đó cho phép liên kết các khái niệm cấp
cao và các vùng hình ảnh có liên quan.
Faithful
Translation
42 The simplicity of the employed object ontology
serves the purpose of it being applicable to
generic image
collections without requiring the
correspondence behveen image regions and
relevant descriptorsbe defined manually.
Tính đơn giản của bản thể đối tượng được sử dụng
phục vụ mục đích của nó có thể áp dụng cho các
bộ sưu tập hình ảnh chung mà không yêu cầu sự
tương ứng giữa các vùng hình ảnh và các mô tả có
liên quan được xác định bằng tay.
Word-for-word
Translation
43 The low-level indexing features are machine-
centered rather than human-centered;
Các tính năng lập chỉ mục cấp thấp là tập trung vào
máy thay vì lấy con người làm trung tâm;
Literal
Translation
44 They are subsequently translated to
intermediate-level descriptors qualitatively
describing the region amibutes, that humans are
more familiar with.
Chúng được dịch sang các mô tả cấp trung gian
mô tả định tính các thuộc tính khu vực mà con
người quen thuộc hơn
Word-for-word
Translation

27
45 These intermediate level descriptors form a
simple vocabulary termed object
ontology.
Các mô tả trình độ trung cấp này tạo thành một từ
vựng đơn giản gọi là bản thể đối tượng.
Word-for-word
Translation
46 Since these descriptors only roughly describe
the region,
as opposed to the low-level features.
Vì các mô tả này chỉ mô tả đại khái về khu vực,
trái ngược với các tính năng cấp thấp.
Literal
Translation
47 they will be used only for NIing out regions that
are irrelevant to the ones desired hy the user in
a given query.
Các mô tả này sẽ chỉ được sử dụng để loại trừ các
khu vực không liên quan đến các khu vực mà
người dùng mong muốn trong một truy vấn nhất
định,.
Literal
Translation
48 while accurate region ranking will still be based
on the low-level features
trong khi xếp hạng khu vực chính xác vẫn sẽ được
dựa trên trên các tính năng cấp thấp.
Word-for-word
Translation
49 Nevertheless, the whole system is designed so
asto hide the existence of low-level features
f"the user.
Tuy nhiên, toàn bộ hệ thống được thiết kế để che
giấu sự tồn tại của các tính năng cấp thấp khỏi
người dùng.
Semantic
Translation
50 Thus the user has to manipulate only
intermediate-level descriptors, in contrast to
most other systems.
Do đó, người dùng phải thao tác chỉ các mô tả cấp
trung gian, trái ngược với hầu hết các hệ thống
khác.
Semantic
Translation

28
Word-for-word
Translation

28
4. CONCLUSION
Thanks to the internship, I have learnt many things myself. Firstly,
translation is not simple and easy; it requires translators a lot of time and effort.
Secondly, translators should be flexible in choosing translation methods such as
word for word translation, literal translation, faithful translation, communicative
translation, semantic translation, free translation, etc. to make a good translated
text. Finally, translating scientific articles is very difficult, which asks translators to
correctly master specialized knowledge and terminology to serve translation
techniques.
Thanks to this opportunity, I also realize that I still have some
shortcomings which need to be improved. My translation ability is not fast, for I
have not really mastered all translation techniques. I also come across
difficulties in translating complex sentences because I am not good at analyzing
sentences. I hope I will overcome all these shortcomings quickly so that I will be
a good translator in my future job.
5. APPENDIX
Tài liệu [3] “MỘT PHƯƠNG PHÁP PHÂN CỤM DỰA TRÊN CÂY KD-
TREE CHO BÀI TOÁN TÌM KIẾM ẢNH”
(1) Trong bài báo này, một mô hình phân cụm dữ liệu dựa trên cây BKD-
Tree, một cải tiến cải tiến của cây KD-Tree áp dụng cho bài toán tìm kiếm ảnh,
bao gồm: (2) lưu trữ các đối tượng đa chiều tại nút lá để tạo ra một sự phân cụm
trên cơ sở phương pháp học bán giám sát; (3) Tạo ra một cấu trúc cây cân bằng
nhằm tăng hiệu suất cho bài toán tìm kiếm ảnh. (4) Chúng tôi sử dụng cây
BKD-Tree để tiến hành thực nghiệm trên bộ ảnh ImageCLEF (gồm 20.000
ảnh). (5) Kết quả thực nghiệm của chúng tôi được so sánh với một số công trình
gần đây trên cùng bộ dữ liệu để minh chứng tính hiệu quả của phương pháp đã
được đề xuất. (6) Theo kết quả thực nghiệm cho thấy phương pháp của chúng

29
tôi là hiệu quả và có thể áp dụng được cho các hệ thống tìm kiếm ảnh tương tự
theo nội dung.
(7) Cây KD-Tree là một cấu trúc dữ liệu được sử dụng để tổ chức các điểm
trong không gian đa chiều. (8) Cây KD-Tree là một cây nhị phân tìm kiếm mà
dữ liệu tại mỗi nút là một véc-tơ k-chiều trong không gian. (9) Mỗi nút không
phải là nút lá trên cây KD-Tree chia không gian thành hai phần gọi là nửa mặt
phẳng. (10) Dựa trên cây KD-Tree nguyên thủy này, chúng tôi đề xuất cấu trúc
cây BKD-Tree là cây nhị phân cân bằng để ứng dụng cho bài toán tìm kiếm ảnh
và thực nghiệm trên bộ ảnh ImageCLEF. (11) Cây BKD-Tree được dùng để
lưu trữ các véc-tơ đặc trưng thị giác của hình ảnh đã phân đoạn.
(12) Năm 2002, Y. He và cộng sự đã thực hiện một khảo sát về việc sử
dụng cây KD-Tree trong nâng cao hiệu quả tìm kiếm ảnh. (13) Nhóm tác giả
đã thực nghiệm trên bộ dữ liệu gồm 10.115 ảnh. (14) Kết quả bài báo này là
thời gian truy vấn ảnh nhanh gấp ba lần so với cách tìm kiếm tuyến tính.
(15) Năm 2015, Y. H. Sharath Kumar giới thiệu mô hình lập chỉ mục các
đối tượng. (16) Trong nghiên cứu này, cơ sở dữ liệu đầu vào rất lớn nên thời
gian truy xuất chậm. (17) Một giải pháp cho tăng tốc quá trình truy xuất là thiết
kế mô hình lập chỉ mục. (18) Cây KD-Tree chỉ mục được sử dụng cho hệ thống
truy xuất dữ liệu được xây dựng dựa trên đặc trưng SIFT (Scale Invariant
Feature Transform), biểu đồ phân lớp HOG (Histogram of Gradients), biểu đồ
hướng cạnh EOH (Edge orientation histograms) và hình dạng SC (Shape
context).
(19) Cây KD-Tree là một cây nhị phân bao gồm: một nút gốc, các nút
trong và nút lá. (20) Nút gốc là nút chỉ liên kết tối đa đến hai nút con và không
có liên kết đến nút cha.
Tài liệu [13] “TRA CỨU ẢNH THEO NỘI DUNG DỰA TRÊN CHỈ
MỤC MÔ TẢ ĐẶC TRƯNG THỊ GIÁC”
(21) Chúng tôi đề xuất các phương pháp trích xuất đặc trưng thị giác của
hình ảnh và thực hiện tra cứu ảnh tương tự theo nội dung dựa trên chỉ mục nhị

30
phân, chỉ mục này được gọi là chữ ký nhị phân của hình ảnh. (22) Có ba đặc
trưng của hình ảnh được trích xuất nhằm xây dựng phương pháp tra cứu ảnh
bao gồm: dải màu của một tập ảnh cho trước, đặc trưng SIFT (Scale Invariant
Features Transform) và đối tượng đặc trưng. (23) Để xây dựng phương pháp
tra cứu ảnh tương tự theo nội dung, chúng tôi lần lượt đề xuất các thuật toán
bao gồm. (24) Thuật toán trích xuất dải màu bằng cách cải tiến thuật toán K-
means, thuật toán trích xuất đặc trưng SIFT dựa trên phương pháp Harris-
Laplace, thuật toán trích xuất đối tượng đặc trưng dựa trên không gian màu
CIE-L*a*b* và phép biến đổi DWT (Discrete Wavelet Frames). (25) Từ các
đặc trưng hình ảnh đã được trích xuất, chúng tôi xây dựng chữ ký nhị phân và
độ đo tương tự để làm cơ sở xây dựng phương pháp tìm kiếm ảnh tương tự.
(26) Từ đó, hệ tra cứu ảnh tương tự theo nội dung được xây dựng. (27) Nhằm
minh chứng cơ sở lý thuyết đã đề xuất, chúng tôi xây dựng 6 ứng dụng khác
nhau nhằm đánh giá kết quả về độ chính xác và thời gian tra cứu ảnh trên bộ
dữ liệu COREL. (28) Kết quả thực nghiệm được so sánh với các phương pháp
tra cứu ảnh đã có nhằm đánh giá tính hiệu quả của phương pháp đề xuất. (29)
Chúng tôi tạo chỉ mục nhị phân mô tả màu sắc và mô tả đối tượng để từ đó tạo
thành chữ ký nhị phân cho hình ảnh. (30) Để sử dụng hình dạng như là một đặc
trưng của hình ảnh, bước cơ bản là phân đoạn hình ảnh để tìm đối tượng. (31)
Trong phương pháp này, chúng tôi gom cụm các điểm ảnh thuộc về các vùng
liên thông dựa trên màu sắc và cấu trúc. (32) Bài báo tiếp cận phân đoạn hình
ảnh sao cho mỗi hình ảnh được phân đoạn thành các vùng đặc trưng để từ đó
làm cơ sở xây dựng chữ ký nhị phân nhằm mô tả nội dung hình ảnh. (33) Ảnh
phân đoạn được tạo ra từ việc nhóm các điểm ảnh trở thành một vùng tương tự.
(34) Để nhận diện các đặc tính cấu trúc của các điểm ảnh láng giềng, chúng tôi
sử dụng phép biến đổi DWF (Discrete Wavelet Frames). (35) Phép DWF thực
thi trên băng tần lọc dựa trên phép lọc thông thấp H z ( ) để phân giải mỗi thành
phần cường độ của ảnh thành một tập các băng tần con.

31
Tài liệu [10] “TÌM KIẾM ẢNH THEO NGỮ NGHĨA DỰA TRÊN ĐỒ
THỊ CỤM”
(36) Bài toán truy vấn ảnh theo ngữ nghĩa SBIR (Semantic-Based Image
Retrieval) được quan tâm trong những năm gần đây. (37) Hướng tiếp cận này
có thể trích xuất ngữ nghĩa hình ảnh và khắc phục được nhược điểm của phương
pháp truy vấn ảnh theo văn bản TBIR (Text-Based Image Retrieval). (38)
Chúng tôi đề xuất phương pháp truy vấn ảnh và trích xuất ngữ nghĩa bằng đồ
thị đặc trưng thị giác của hình ảnh và cấu trúc đồ thị cụm. (39) Để thực hiện
vấn đề này, phương pháp gom cụm đặc trưng thị giác hình ảnh được đề xuất
nhằm tạo ra đồ thị cụm để từ đó trích xuất ngữ nghĩa hình ảnh. (40) Trước hết,
chúng tôi đề xuất cấu trúc đồ thị mô tả hình ảnh và độ đo tương tự dựa trên đặc
trưng thị giác cấp thấp cùng với quan hệ không gian giữa các vùng trong ảnh.
(41) Sau đó, đồ thị cụm được tạo ra bằng phương pháp gom cụm các đồ thị đặc
trưng của hình ảnh trên cơ sở độ đo đã được đề xuất. (42) Đồng thời, chúng tôi
xây dựng ontology mô tả ngữ nghĩa cho tập dữ liệu ảnh và tạo ra câu truy vấn
SPARQL dựa trên vec-tơ từ thị giác của hình ảnh nhằm thực hiện truy vấn trên
ontology. (43) Dựa trên cấu trúc đồ thị cụm và ontology đã xây dựng. (44)
Chúng tôi đề xuất thuật toán tra cứu và trích xuất ngữ nghĩa hình ảnh. (45) Mỗi
hình ảnh được mô tả dưới dạng một đồ thị. (46) Đồ thị cụm nhằm mục đích tạo
ra một mô hình khai phá dữ liệu phân cụm tự động cho các bộ dữ liệu vec-tơ
đặc tính. (47) Quá trình tạo ra đồ thị cụm được dựa trên sự kết hợp phương
pháp phân cụm phân hoạch và kỹ thuật học bán giám sát (semi-supervisor
learning). (48) Từ đồ thị cụm 𝐶𝐺𝑟𝑎𝑝ℎ đã tạo ở trên, chúng tôi đề xuất thuật
toán trích xuất vec-tơ từ và tập ảnh tương tự làm cơ sở cho việc trích xuất ngữ
nghĩa hình ảnh. (49) Với mỗi ảnh truy vấn, thuật toán thực hiện tìm kiếm tập
ảnh tương tự và trích xuất vec-tơ từ dựa trên tập ảnh tương tự này. (50) Quá
trình trích xuất vec-tơ từ và tập ảnh tương tự cần tìm ra cụm trong đồ thị
𝐶𝐺𝑟𝑎𝑝ℎ có độ tương tự gần với ảnh truy vấn.

32
Tài liệu [9] “A SELF-BALANCED CLUSTERING TREE FOR
SEMANTIC-BASED IMAGE RETRIEVAL”
(1) The image retrieval and semantic extraction play an important role in the
multimedia systems such as geographic information system, hospital
information system, digital library system, etc. (2) Therefore, the research and
development of semantic-based image retrieval (SBIR) systems have become
extremely important and urgent. (3) Semantic-based image retrieval has
become an active research topic in recent times.
(4) There were many techniques of image retrieval, which have been
implemented aiming to reduce the “semantic gap" by modeling high-level
semantics, such as techniques to build a model for mapping between low-level
features and high-level semantics, query techniques based on ontology to
accurately describe semantics for images, techniques for classification data, ect.
(5) Y. Cao et al. used CNN to classify images and create binary-featured
vectors. (6) On this basis, the authors have proposed a DVSH model to identify
a set of semantic analog images. (7) However, this method must implement two
processes for classifying visual and semantic features. (8) If an image lacks one
of these features, the same image is retrieved incorrectly. (9) This method has
not yet been mapped from visual features to high-level semantics of images.
(10) In this paper, each image is segmented into different regions
according to Hugo Jair Escalantes method. (11) Each image in the dataset is
segmented into different regions. (12) The process of pre-processing phase
consists of the following steps:
(13) Step 1. Extract data sample including feature vectors f and semantic
category w of each region corresponding to each image in dataset;
(14) Step 2. Train a self-balanced clustering tree structure, named C-Tree,
to store data samples based on K-means algorithm and Minkowski measure.
(15) Step 3. Build ontology as RDF triple language to describe semantics
for image dataset.

33
(16) The process of the query phase includes the following steps:
(17) Step 1. For each query image IQ, the feature vectors of regions are
extracted and retrieved on C-Tree; the result is a set of similar images and visual
word vector.
(18) Step 2. Create a SPARQL query based on the visual word vector and
retrieve on ontology to produce a set of URIs and the metadata of images.
(19) Step 3. Arrange similar images by similarity measure of the query
image.
(20) Each image is a set of visual feature vectors of each region and a set
of labels assigned to each vector.
Tài liệu [2] “AN ONTOLOGY-BASED FRAMEWORK FOR SEMANTIC
IMAGE ANALYSIS AND RETRIEVAL”
(21) Among the most commonly applied machine learning techniques are
Hidden Markov Models (HMMs), Support Vector Machines (SVMs) and
Neural Networks (NNs). (22) In the COBRA model described in (Petkovic,
2001), HMMs are combined with rules and appropriate grammars to formalize
object and event descriptions, while in (Naphade, 2002), a factor graph network
of probabilistic multimedia objects (multijects) is defined using HMMs and
Gaussian mixture models. (23) Visual and audio information using Controlled
Markov Chains is also employed in (Leonardi, 2004) for the purpose of
structural and semantic classification in soccer videos, while in (Xie, 2004)
HMMs are used for soccer structure analysis, respectively. (24) In (Bose,
2003), an object SVM classifier is presented, which adapts automatically to
arbitrary scenes by exploiting context features. (25) Under the proposed
approach, a domain ontology provides the conceptualization and vocabulary
for structuring content annotations. (26) Thus, the annotation terminology is
made transparent and semantic browsing based on the ontology model is
enabled, facilitating query formulation. (27) While matching the user query
semantics with the annotation metadata semantics becomes straightforward.

34
(28) Acting complementary to the manual ontology-based annotations. (29) A
semantic analysis module driven by the corresponding domain ontology
enables the automatic generation of additional annotations, to account for
lower-level semantic descriptions usually omitted during manual annotation.
(30) To accomplish this, an analysis ontology is appropriately defined to model
the analysis process and the knowledge required for proceeding with the
domain concepts detection. (31) In order to implement the proposed ontology-
based framework for performing analysis and retrieval of visual content at a
semantic level, two ontologies, namely an analysis and a domain one, had to be
defined and appropriately integrated. (32) The domain ontology formalizes the
domain semantics, providing the conceptualization and vocabulary for the
visual content annotations and the subsequent semantic retrieval. (33) The
domain ontology formalizes the domain semantics, providing the
conceptualization and vocabulary for the visual content annotations and the
subsequent semantic retrieval. (34) The analysis ontology is used to guide the
analysis process and support the detection of certain concepts defined in the
domain ontology. (35) Both ontologies are expressed in RDF(S), and their
integration takes place using the conceptually common classes between the two
ontologies as attachment points.
Tài liệu [7] “AN ONTOLOGY APPROACH TO OBJECT-BASED
IMAGE RETRIEVAL”
(36) Ontologies are recently-introduced tools for structuring knowledge.
(37) An ontology may be defined as the specification of a representational
vocabulary for a shared domain of discourse which may include definitionsof
classes, relations, functions and other objects. (38) Ontologies are primarily
used in text retrieval. (39) An ontologytermed object ontologv isemployedto
allow the user to query a generic image collection, where no domain-specific
knowledge can he employed, using high-level concepts(keywords representing
semantic objects). (40) High-level concepts, like “tiger” are described using the

35
intermediate-level descriptors of the ohject ontology. (41) These descriptorsare
automaticallymapped to the low-level features calculated for each region in the
database, thus allowing the association of high-level concepts and potentially
relevant image regions. (42) The simplicity of the employed object ontology
serves the purpose of it being applicable to generic image collections without
requiring the correspondence behveen image regions and relevant descriptorsbe
defined manually. (43) The low-level indexing features are machine-centered
rather than human-centered. (44) They are subsequently translated to
intermediate-level descriptors qualitatively describing the region amibutes, that
humans are more familiar with. (45) These intermediate level descriptors form
a simple vocabulary termed object ontology. (46) Since these descriptors only
roughly describe the region, as opposed to the low-level features. (47) they will
be used only for NIing out regions that are irrelevant to the ones desired hy the
user in a given query. (48) while accurate region ranking will still be based on
the low-level features. (49) Nevertheless, the whole system is designed so asto
hide the existence of low-level features f"the user. (50) Thus the user has to
manipulate only intermediate-level descriptors, in contrast to most other
systems.
6. REFERENCES

Some translation techniques applied in translating scientific articles.docx

Recommended

Recommended

More Related Content

Similar to Some translation techniques applied in translating scientific articles.docx

Similar to Some translation techniques applied in translating scientific articles.docx (20)

More from Dịch vụ viết thuê đề tài trọn gói 🥰🥰 Liên hệ ZALO/TELE: 0917.193.864 ❤❤

More from Dịch vụ viết thuê đề tài trọn gói 🥰🥰 Liên hệ ZALO/TELE: 0917.193.864 ❤❤ (20)

Recently uploaded

Recently uploaded (11)

Some translation techniques applied in translating scientific articles.docx