Execução eficiente de métodos de reclassificação e agregação de listas

• Processo: 14/04220-8
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de maio de 2014
• Data de Término da vigência: 31 de dezembro de 2016
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Daniel Carlos Guimarães Pedronette
• Beneficiário: Lucas Pascotti Valem
• Instituição Sede: Instituto de Geociências e Ciências Exatas (IGCE). Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Rio Claro , SP, Brasil
• Vinculado ao auxílio: 13/08645-0 - Reclassificação e agregação de listas para tarefas de recuperação de imagens, AP.JP
• Assunto(s): Recuperação de imagens Processamento de imagens
• Palavra(s)-Chave do Pesquisador: rank aggregation | re-ranking | Recuperação de Informações, Visão Computacional e Computação de Alto Desempenho

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. O principal objetivo desse projeto é a implementação paralela de um método de re-ranking e a execução de ações de profiling em ambientes de computação heterogênea, envolvendo CPUs e GPUs.

Publicações científicas

(4)

(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; 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. (14/04220-8, 17/02091-4, 16/06441-7, 13/08645-0)

VALEM, LUCAS PASCOTTI; GUIMARAES PEDRONETTE, DANIEL CARLOS; ACM. An Unsupervised Distance Learning Framework for Multimedia Retrieval. PROCEEDINGS OF THE 2017 ACM INTERNATIONAL CONFERENCE ON MULTIMEDIA RETRIEVAL (ICMR'17), v. N/A, p. 5-pg., 2017-01-01. (14/04220-8, 13/08645-0)

VALEM, LUCAS PASCOTTI; GUIMARAES PEDRONETTE, DANIEL CARLOS; ALMEIDA, JURANDY. Unsupervised similarity learning through Cartesian product of ranking references. PATTERN RECOGNITION LETTERS, v. 114, p. 12-pg., 2018-10-15. (16/06441-7, 14/04220-8, 13/08645-0, 17/02091-4)

VALEM, LUCAS PASCOTTI; GUIMARAES PEDRONETTE, DANIEL CARLOS; IEEE. Unsupervised Similarity Learning through Cartesian Product of Ranking References for Image Retrieval Tasks. 2016 29TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI), v. N/A, p. 8-pg., 2016-01-01. (14/04220-8, 13/08645-0)