Busca avançada
Ano de início
Entree

Reclassificação e agregação de listas para tarefas de recuperação de imagens

Processo: 13/08645-0
Linha de fomento:Auxílio à Pesquisa - Apoio a Jovens Pesquisadores
Vigência: 01 de fevereiro de 2014 - 31 de janeiro de 2018
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
Pesquisador responsável:Daniel Carlos Guimarães Pedronette
Beneficiário:Daniel Carlos Guimarães Pedronette
Instituição-sede: Instituto de Geociências e Ciências Exatas (IGCE). Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Rio Claro, SP, Brasil
Pesq. associados:Denis Henrique Pinheiro Salvadeo ; Edson Borin ; Marco Antonio Garcia de Carvalho ; Ricardo da Silva Torres
Bolsa(s) vinculada(s):17/02091-4 - Seleção e combinação de métodos de aprendizado não supervisionado para recuperação de imagens por conteúdo, BP.MS
16/10908-8 - Uso e avaliação de métodos de reclassificação e agregação de listas em diferentes aplicações, BP.IC
15/07934-4 - Identificação automática de locutor utilizando métodos de aprendizado não-supervisionado, BP.MS
14/04220-8 - Execução eficiente de métodos de reclassificação e agregação de listas, BP.IC
Assunto(s):Recuperação de imagens  Classificação 

Resumo

Sistemas de Recuperação de Imagens Baseados no Conteúdo (Content-Based Image Retrieval - CBIR) tem como principal objetivo recuperar imagens similares em uma coleção considerando propriedades visuais das imagens. Os usuários estão interessados nas imagens retornadas nas primeiras posições das listas de resultados, que são usualmente as mais relevantes. Portanto, classificar as imagens da coleção de maneira eficaz é de suma importância. Entretanto, em geral, os sistemas CBIR realizam apenas comparações de imagens par-a-par, isto é, calculam medidas de similaridade (ou distância) considerando apenas pares de imagens, ignorando as informações codificadas nos relacionamentos entre as imagens. Com o objetivo de aumentar a eficácia dos sistemas de CBIR, foram propostos métodos de reclassificação (re-ranking) e agregação (rank aggregation) de listas. Os métodos de reclassificação têm sido usados para explorar a informação contextual codificada nos relacionamentos entre as imagens, enquanto abordagens de agregação de listas têm sido usadas para combinar resultados produzidos por diferentes descritores de imagens. Na pesquisa desenvolvida pelo pesquisador responsável durante seu doutorado, vários métodos de reclassificação e agregação de listas foram propostos com o objetivo de aumentar a eficácia de sistemas de CBIR. Resultados experimentais demonstraram a eficácia das abordagens propostas em comparação com outros métodos recentemente propostos na literatura. Contudo, os importantes resultados obtidos levaram a novos desafios de pesquisa. O objetivo desse projeto de pesquisa é investigar os métodos de reclassificação e agregação de listas sob diversos aspectos, abordando os desafios de pesquisa ainda em aberto. Importantes aspectos a serem investigados estão relacionados a escalabilidade e eficiência dos algoritmos usando computação paralela e ambientes computacionais heterogêneos. Outro aspecto relevante consiste na especificação e implementação de novos métodos de reclassificação com aplicações em diferentes cenários, como recuperação textual e multimodal, realimentação de relevância e recuperação colaborativa de imagens. (AU)

Publicações científicas (14)
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
VALEM, LUCAS PASCOTTI; DE OLIVEIRA, CARLOS RENAN; GUIMARAES PEDRONETTE, DANIEL CARLOS; ALMEIDA, JURANDY. Unsupervised Similarity Learning through Rank Correlation and kNN Sets. ACM Transactions on Multimedia Computing Communications and Applications, v. 14, n. 4 NOV 2018. Citações Web of Science: 0.
PAPA, JOAO P.; ROSA, GUSTAVO H.; DE SOUZA, ANDRE N.; AFONSO, LUIS C. S. Feature selection through binary brain storm optimization. COMPUTERS & ELECTRICAL ENGINEERING, v. 72, p. 468-481, NOV 2018. Citações Web of Science: 0.
VALEM, LUCAS PASCOTTI; GUIMARAES PEDRONETTE, DANIEL CARLOS; ALMEIDA, JURANDY. Unsupervised similarity learning through Cartesian product of ranking references. PATTERN RECOGNITION LETTERS, v. 114, n. SI, p. 41-52, OCT 15 2018. Citações Web of Science: 0.
GUIMARAES PEDRONETTE, DANIEL CARLOS; FERNANDES GONCALVES, FILIPE MARCEL; GUILHERME, IVAN RIZZO. Unsupervised manifold learning through reciprocal kNN graph and Connected Components for image retrieval tasks. PATTERN RECOGNITION, v. 75, n. SI, p. 161-174, MAR 2018. Citações Web of Science: 5.
FERNANDES GONCALVES, FILIPE MARCEL; GUILHERME, IVAN RIZZO; GUIMARAES PEDRONETTE, DANIEL CARLOS. Semantic Guided Interactive Image Retrieval for plant identification. EXPERT SYSTEMS WITH APPLICATIONS, v. 91, p. 12-26, JAN 2018. Citações Web of Science: 2.
PISANI, FLAVIA; PEDRONETTE, DANIEL C. G.; TORRES, RICARDO DA S.; BORIN, EDSON. Contextual Spaces Re-Ranking: accelerating the Re-sort Ranked Lists step on heterogeneous systems. CONCURRENCY AND COMPUTATION-PRACTICE & EXPERIENCE, v. 29, n. 22, SI NOV 25 2017. Citações Web of Science: 1.
GUIMARAES PEDRONETTE, DANIEL CARLOS; TORRES, RICARDO DA S. Unsupervised rank diffusion for content-based image retrieval. Neurocomputing, v. 260, p. 478-489, OCT 18 2017. Citações Web of Science: 0.
ALMEIDA, JURANDY; PEDRONETTE, DANIEL C. G.; ALBERTON, BRUNA C.; MORELLATO, LEONOR PATRICIA C.; TORRES, RICARDO DA S. Unsupervised Distance Learning for Plant Species Identification. IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING, v. 9, n. 12, 1, SI, p. 5325-5338, DEC 2016. Citações Web of Science: 3.
GUIMARAES PEDRONETTE, DANIEL CARLOS; ALMEIDA, JURANDY; TORRES, RICARDO DA S. A graph-based ranked-list model for unsupervised distance learning on shape retrieval. PATTERN RECOGNITION LETTERS, v. 83, n. 3, p. 357-367, NOV 1 2016. Citações Web of Science: 3.
GUIMARAES PEDRONETTE, DANIEL CARLOS; TORRES, RICARDO DA S. A correlation graph approach for unsupervised manifold learning in image retrieval tasks. Neurocomputing, v. 208, n. SI, p. 66-79, OCT 5 2016. Citações Web of Science: 5.
GUIMARAES PEDRONETTE, DANIEL CARLOS; TORRES, RICARDO DA S. Combining re-ranking and rank aggregation methods for image retrieval. MULTIMEDIA TOOLS AND APPLICATIONS, v. 75, n. 15, p. 9121-9144, AUG 2016. Citações Web of Science: 2.
GUIMARAES PEDRONETTE, DANIEL CARLOS; CALUMBY, RODRIGO T.; TORRES, RICARDO DA S. A semi-supervised learning algorithm for relevance feedback and collaborative image retrieval. EURASIP JOURNAL ON IMAGE AND VIDEO PROCESSING, AUG 10 2015. Citações Web of Science: 2.
GUIMARAES PEDRONETTE, DANIEL CARLOS; ALMEIDA, JURANDY; TORRES, RICARDO DA S. A scalable re-ranking method for content-based image retrieval. INFORMATION SCIENCES, v. 265, p. 91-104, MAY 1 2014. Citações Web of Science: 28.
FARIA, FABIO A.; PEDRONETTE, DANIEL C. G.; DOS SANTOS, JEFERSSON A.; ROCHA, ANDERSON; TORRES, RICARDO DA S. Rank Aggregation for Pattern Classifier Selection in Remote Sensing Images. IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING, v. 7, n. 4, p. 1103-1115, APR 2014. Citações Web of Science: 8.

Por favor, reporte erros na lista de publicações científicas escrevendo para: cdi@fapesp.br.