Anotação multi-rótulos de bancos de imagens naturais com supervisão mínima

Resumo

Com o crescimento das bases de imagens, a anotação automática de imagens tornou-se de grande importância para a recuperação de informação. A recuperação de imagens baseada em conteúdo, por sua vez, é uma área de pesquisa bastante ativa, com aplicações envolvendo diversas modalidades de imagem (e.g., fotografias, vídeos, tomografias, imagens de sensoriamento remoto). O objetivo deste projeto é estudar e desenvolver técnicas que permitam a anotação automática de imagens naturais (fotografias e vídeos) de uma base --- i.e., a associação de um rótulo (palavra-chave) para cada objeto de interesse na imagem. Uma metodologia promissora consiste na segmentação automática das imagens em regiões, seguida de uma caracterização dessas regiões e sua anotação por um classificador de padrões. Existem vários desafios a serem investigados em cada uma dessas etapas: técnicas de segmentação de imagens, aprendizado de descritores (deep learning, redes convolucionais), projeto de classificadores de padrões por aprendizado ativo, e técnicas de pós-processamento para manter a consistência da anotação entre regiões conexas. Em particular, estamos interessados em selecionar amostras (regiões) de treinamento através de técnicas de aprendizado ativo, com os objetivos de melhorar a acurácia da anotação e minimizar o esforço do usuário na anotação do conjunto de treinamento do classificador. Também focaremos na investigação de técnicas de aprendizado de descritores para regiões em imagens naturais e técnicas de pós-processamento. Os resultados serão validados em bancos de imagens de teste já estabelecidos na literatura. (AU)