Publicação: Combinação seletiva não supervisionada de listas ranqueadas aplicada à busca de imagens pelo conteúdo
Carregando...
Data
Autores
Orientador
Pedronette, Daniel Carlos Guimarães 
Coorientador
Pós-graduação
Ciência da Computação - IBILCE
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Dissertação de mestrado
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
Em virtude do grande crescimento das coleções multimídia e da evolução das tecnologias no decorrer dos últimos anos, buscar por imagens considerando o conteúdo visual das mesmas se tornou uma tarefa de extrema importância. Os sistemas de Recuperação de Imagens pelo Conteúdo (CBIR) são a principal solução dentro desse cenário e representam um campo de pesquisa cada vez mais ativo. Atualmente, esses sistemas empregam diferentes abordagens para execução de suas tarefas, dentre elas estão diferentes descritores e métodos de aprendizado. Contudo, mensurar a similaridade de maneira eficaz ainda é um desafio, principalmente devido ao conhecido problema da lacuna semântica. Como diferentes listas ranqueadas possuem resultados distintos e muitas vezes complementares, uma estratégia que tem ganhado significativa atenção é a de combinar essas listas. Este trabalho propõe três diferentes métodos completamente não supervisionados para seleção e combinação de listas ranqueadas. As abordagens foram avaliadas em cinco coleções de imagens e diversos descritores. Foram obtidos resultados comparáveis ou superiores ao estado-da-arte na maioria dos cenários analisados.
Resumo (inglês)
Due to the evolution of technologies to store and share images, find effective methods to index and retrieve this type of information is indispensable. The CBIR (Content-Based Image Retrieval) systems are the main solution for image retrieval tasks. These systems consist in the use of different descriptors, supervised learning methods, and more recently unsupervised learning methods. However, accurately estimate the similarity between images is still a challenging task, mainly due to the well known semantic gap problem. As different ranked lists present different effectiveness results, an interesting methodology is to combine these ranked lists. This work proposes three different unsupervised methods for selecting and combining ranked lists. The approaches were evaluated in five different image collections and several descriptors. The methods achieved results comparable or superior to the state-of-the-art in most of the evaluated scenarios.
Descrição
Palavras-chave
Recuperação de Informações, Recuperação de Imagens por Conteúdo, Seleção e Combinação de Características, Seleção e Combinação de Listas Ranqueadas, Aprendizado Não Supervisionado, Reranqueamento, Information Retrieval, Content-based Image Retrieval, Feature Selection and Fusion, Unsupervised Learning, Rank-aggregation, Re-ranking
Idioma
Português
