pLSA แบบกำหนดตำแหน่งสัมบูรณ์ (ABS-pLSA) จะแนบข้อมูลตำแหน่งเข้ากับคำศัพท์ภาพแต่ละคำ โดยระบุตำแหน่งไปยังหนึ่งใน X ช่องในภาพ โดยที่แทนช่องที่คำศัพท์ภาพนั้นตกอยู่ สมการใหม่คือ:${\displaystyle \displaystyle x}$

${\displaystyle \displaystyle P(w|d)=\sum _{z=1}^{Z}P(w,x|z)P(z|d)}$

${\displaystyle \displaystyle P(w,x|z)}$และสามารถแก้ไขได้ในลักษณะเดียวกับปัญหา pLSA ดั้งเดิม โดยใช้อัลกอริธึม EM${\displaystyle \displaystyle P(d)}$

ปัญหาของแบบจำลองนี้คือ มันไม่คงที่เมื่อมีการเลื่อนหรือปรับขนาดเนื่องจากตำแหน่งของคำศัพท์ภาพนั้นเป็นค่าสัมบูรณ์ การเปลี่ยนขนาดของวัตถุในภาพหรือการเคลื่อนย้ายวัตถุจะส่งผลกระทบอย่างมากต่อการกระจายตัวเชิงพื้นที่ของคำศัพท์ภาพไปยังช่องต่างๆ

pLSA ที่ไม่ขึ้นกับการแปลและการปรับขนาด (TSI-pLSA) โมเดลนี้ต่อยอดจาก pLSA โดยเพิ่มตัวแปรแฝงอีกตัวหนึ่ง ซึ่งอธิบายตำแหน่งเชิงพื้นที่ของวัตถุเป้าหมายในภาพ ตอนนี้ ตำแหน่งของคำศัพท์ภาพจะถูกกำหนดโดยสัมพันธ์กับตำแหน่งของวัตถุนี้ แทนที่จะเป็นตำแหน่งสัมบูรณ์ในภาพ สมการใหม่คือ:${\displaystyle \displaystyle x}$

${\displaystyle \displaystyle P(w,x|d)=\sum _{z=1}^{Z}\sum _{c=1}^{C}P(w,x|c,z)P(c)P(z|d)}$

อีกครั้ง พารามิเตอร์และสามารถหาคำตอบได้โดยใช้อัลกอริธึม EMโดยสามารถถือว่ามีการกระจายแบบสม่ำเสมอ${\displaystyle \displaystyle P(w,x|c,z)}$${\displaystyle \displaystyle P(d)}$${\displaystyle \displaystyle P(c)}$

คำในภาพถูกเลือกโดยใช้ตัวตรวจจับคุณลักษณะ 4 แบบที่แตกต่างกัน: ^{[ 1 ]}

• ตัวตรวจจับความโดดเด่นของ Kadir–Brady
• เครื่องตรวจจับ Harris แบบหลายสเกล
• ความแตกต่างของเกาส์เซียน
• ตัวดำเนินการแบบ Edge-based ที่อธิบายไว้ในงานวิจัย

โดยใช้ตัวตรวจจับทั้ง 4 ตัวนี้ สามารถตรวจจับคุณลักษณะได้ประมาณ 700 รายการต่อภาพ จากนั้นคุณลักษณะเหล่านี้จะถูกเข้ารหัสเป็นตัวอธิบาย การแปลงคุณลักษณะที่ไม่ขึ้นกับ มาตราส่วน (Scale-invariant feature transform descriptors) และทำการควอนไทซ์เวกเตอร์เพื่อให้ตรงกับคำ 1 ใน 350 คำที่อยู่ในสมุดรหัส สมุดรหัสนี้ได้รับการคำนวณล่วงหน้าจากคุณลักษณะที่สกัดจากภาพจำนวนมากซึ่งครอบคลุมหมวดหมู่ของวัตถุหลายประเภท

คำถามสำคัญข้อหนึ่งในแบบจำลอง TSI-pLSA คือวิธีการกำหนดค่าที่ตัวแปรสุ่มสามารถรับได้ ตัวแปรสุ่มนี้เป็นเวกเตอร์ 4 มิติ ซึ่งส่วนประกอบต่างๆ อธิบายถึงจุดศูนย์กลางของวัตถุ รวมถึงมาตราส่วน x และ y ที่กำหนดกรอบล้อมรอบวัตถุ ดังนั้นพื้นที่ของค่าที่เป็นไปได้จึงมหาศาล เพื่อจำกัดจำนวนตำแหน่งของวัตถุที่เป็นไปได้ให้อยู่ในจำนวนที่เหมาะสม ขั้นตอนแรกคือการดำเนินการ pLSA แบบปกติกับชุดรูปภาพ และสำหรับแต่ละหัวข้อ จะมีการปรับ แบบจำลองส่วนผสมเกาส์เซียนให้เข้ากับคำศัพท์ภาพ โดยถ่วงน้ำหนักด้วย ค่าคงที่ มีการลองใช้เกาส์เซียน มากถึง(โดยอนุญาตให้มีวัตถุหลายชิ้นในภาพเดียว) โดยที่เป็นค่าคงที่${\displaystyle \displaystyle C}$${\displaystyle \displaystyle P(w|z)}$${\displaystyle \displaystyle K}$${\displaystyle \displaystyle K}$

ชุดข้อมูลต้องได้รับการเริ่มต้นหรือเติมข้อมูลเบื้องต้นด้วยชุดรูปภาพดั้งเดิมที่ทำหน้าที่เป็นตัวอย่างที่ดีของหมวดหมู่ของวัตถุที่จะเรียนรู้ สามารถรวบรวมรูปภาพเหล่านี้ได้โดยอัตโนมัติ โดยใช้รูปภาพหน้าแรกๆ ที่ได้จากเครื่องมือค้นหา (ซึ่งมักจะดีกว่ารูปภาพในหน้าถัดไป) หรืออาจรวบรวมรูปภาพเริ่มต้นด้วยตนเองก็ได้

เพื่อเรียนรู้พารามิเตอร์ต่างๆ ของ HDP อย่างค่อยเป็นค่อยไป จึง ใช้ การสุ่มตัวอย่างแบบ Gibbsกับตัวแปรแฝง โดยจะดำเนินการหลังจากเพิ่มชุดภาพใหม่แต่ละชุดเข้าไปในชุดข้อมูล การสุ่มตัวอย่างแบบ Gibbs เกี่ยวข้องกับการสุ่มตัวอย่างซ้ำๆ จากชุดตัวแปรสุ่มเพื่อประมาณการแจกแจงของตัวแปรเหล่านั้น การสุ่มตัวอย่างเกี่ยวข้องกับการสร้างค่าสำหรับตัวแปรสุ่มที่ต้องการ โดยอิงจากสถานะของตัวแปรสุ่มอื่นๆ ที่ตัวแปรสุ่มนั้นขึ้นอยู่ด้วย หากมีตัวอย่างเพียงพอ ก็สามารถประมาณค่าได้อย่างเหมาะสม

ในแต่ละรอบการทำซ้ำ ค่าและสามารถได้มาจากแบบจำลองที่เรียนรู้หลังจากการสุ่มตัวอย่างแบบ Gibbs รอบก่อนหน้า โดยที่คือหัวข้อคือหมวดหมู่ และคือคำศัพท์ภาพเดี่ยวๆ ดังนั้น ความน่าจะเป็นที่ภาพจะอยู่ในคลาสใดคลาสหนึ่งคือ:${\displaystyle \displaystyle P(z|c)}$${\displaystyle \displaystyle P(x|z,c)}$${\displaystyle \displaystyle z}$${\displaystyle \displaystyle c}$${\displaystyle \displaystyle x}$

${\displaystyle \displaystyle P(I|c)=\prod _{i}\sum _{j}P(x_{i}|z_{j},c)P(z_{j}|c)}$

ค่านี้จะถูกคำนวณสำหรับภาพผู้สมัครใหม่แต่ละภาพในแต่ละรอบการทำซ้ำ ภาพจะถูกจัดประเภทให้อยู่ในหมวดหมู่ที่มีความน่าจะเป็นสูงสุด

อย่างไรก็ตาม เพื่อให้ภาพนั้นมีคุณสมบัติเหมาะสมที่จะถูกรวมเข้าไปในชุดข้อมูล ภาพนั้นจะต้องตรงตามเงื่อนไขที่เข้มงวดกว่านี้:

${\displaystyle \displaystyle {\frac {P(I|c_{f})}{P(I|c_{b})}}>{\frac {\lambda _{Ac_{b}}-\lambda _{Rc_{b}}}{\lambda _{Rc_{f}}-\lambda _{Ac_{f}}}}{\frac {P(c_{b})}{P(c_{f})}}}$

โดยที่และคือหมวดหมู่ของวัตถุ (พื้นหน้า) และพื้นหลัง ตามลำดับ และอัตราส่วนของค่าคงที่อธิบายถึงความเสี่ยงของการยอมรับผลบวกเท็จและผลลบเท็จ ค่าเหล่านี้จะถูกปรับโดยอัตโนมัติในทุกรอบการทำงาน โดยต้นทุนของชุดผลบวกเท็จจะสูงกว่าต้นทุนของชุดผลลบเท็จ ซึ่งช่วยให้มั่นใจได้ว่ามีการรวบรวมชุดข้อมูลที่ดีขึ้น${\displaystyle \displaystyle c_{f}}$${\displaystyle \displaystyle c_{b}}$

Once an image is accepted by meeting the above criterion and incorporated into the dataset, however, it needs to meet another criterion before it is incorporated into the 揷ache set敆the set of images to be used for training. This set is intended to be a diverse subset of the set of accepted images. If the model were trained on all accepted images, it might become more and more highly specialized, only accepting images very similar to previous ones.