Seleção e combinação de métodos de aprendizado não supervisionado para recuperação de imagens por conteúdo

• Processo: 17/02091-4
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Vigência (Início): 01 de maio de 2017
• Vigência (Término): 31 de março de 2019
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Acordo de Cooperação: Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
• 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 da informação Recuperação de imagens
• Palavra(s)-Chave do Pesquisador: aprendizado não supervisionado | combinação | Recuperação de Imagens | Seleção | Recuperação de Informação

Resumo

A evolução dos dispositivos móveis e as consequentes facilidades nos processos de aquisição e compartilhamento de conteúdo visual têm provocado um grande crescimento nas coleções de imagens. Nesse cenário, torna-se premente o desenvolvimento de métodos automáticos que permitam indexar, analisar e realizar buscas em tal conteúdo. Sistemas de Recuperação de Imagens Baseados no Conteúdo (Content-Based Image Retrieval - CBIR) constituem uma solução promissora. Contudo, avaliar a similaridade entre o conteúdo visual de imagens apresenta vários desafios. Métodos de Aprendizado Não Supervisionado têm se estabelecido como uma solução para aumentar a eficácia de buscas sem requerer intervenção dos usuários. Como vários métodos têm sido desenvolvidos, utilizando abordagens distintas e complementares, surgem novos desafios de pesquisa em relação à combinação desses métodos com o objetivo de aumentar os ganhos. Esse projeto de pesquisa pretende investigar e propor estratégias para seleção e agregação de métodos de aprendizado não supervisionado. (AU)

Publicações científicas

(11)

(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. Graph -based selective rank fusion for unsupervised image retrieval. PATTERN RECOGNITION LETTERS, v. 135, p. 82-89, JUL 2020. (17/25908-6, 13/08645-0, 17/02091-4, 18/15597-6)

ALMEIDA, JURANDY; VALEM, LUCAS P.; PEDRONETTE, DANIEL C. G.; BATTIATO, S; GALLO, G; SCHETTINI, R; STANCO, F. A Rank Aggregation Framework for Video Interestingness Prediction. IMAGE ANALYSIS AND PROCESSING,(ICIAP 2017), PT I, v. 10484, p. 12-pg., 2017-01-01. (16/06441-7, 13/08645-0, 17/02091-4)

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. (17/25908-6, 17/02091-4, 16/06441-7, 13/08645-0)

VALEM, LUCAS PASCOTTI; GUIMARAES PEDRONETTE, DANIEL CARLOS. Unsupervised selective rank fusion for image retrieval tasks. Neurocomputing, v. 377, p. 182-199, FEB 15 2020. (17/25908-6, 17/02091-4, 18/15597-6)

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)

GUIMARAES PEDRONETTE, DANIEL CARLOS; VALEM, LUCAS PASCOTTI; ALMEIDA, JURANDY; TONES, RICARDO DA S.. Multimedia Retrieval Through Unsupervised Hypergraph-Based Manifold Ranking. IEEE Transactions on Image Processing, v. 28, n. 12, p. 5824-5838, DEC 2019. (14/50715-9, 16/50250-1, 17/25908-6, 17/20945-0, 14/12236-1, 16/06441-7, 18/15597-6, 13/50155-0, 17/02091-4, 15/24494-8)

VALEM, LUCAS PASCOTTI; GUIMARAES PEDRONETTE, DANIEL CARLOS; ACM. Selection and Combination of Unsupervised Learning Methods for Image Retrieval. PROCEEDINGS OF THE 15TH INTERNATIONAL WORKSHOP ON CONTENT-BASED MULTIMEDIA INDEXING (CBMI), v. N/A, p. 6-pg., 2017-01-01. (17/02091-4, 13/08645-0)

CAMACHO PRESOTTO, JOAO GABRIEL; VALEM, LUCAS PASCOTTI; PEDRONETTE, DANIEL CARLOS GUIMARAES; VENTO, M; PERCANNELLA, G. Unsupervised Effectiveness Estimation Through Intersection of Ranking References. COMPUTER ANALYSIS OF IMAGES AND PATTERNS, CAIP 2019, PT II, v. 11679, p. 14-pg., 2019-01-01. (18/15597-6, 17/25908-6, 17/02091-4)

VALEM, LUCAS PASCOTTI; PEDRONETTE, DANIEL C. G.; BREVE, FABRICIO; GUILHERME, IVAN RIZZO; IEEE. Manifold Correlation Graph for Semi-Supervised Learning. 2018 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN), v. N/A, p. 7-pg., 2018-01-01. (16/05669-4, 13/08645-0, 17/02091-4)

VALEM, LUCAS PASCOTTI; GUIMARDES PEDRONETTE, DANIEL CARLOS; ASSOC COMP MACHINERY. An Unsupervised Genetic Algorithm Framework for Rank Selection and Fusion on Image Retrieval. ICMR'19: PROCEEDINGS OF THE 2019 ACM INTERNATIONAL CONFERENCE ON MULTIMEDIA RETRIEVAL, v. N/A, p. 5-pg., 2019-01-01. (18/15597-6, 17/25908-6, 17/02091-4)

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)

Publicações acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

VALEM, Lucas Pascotti. Combinação seletiva não supervisionada de listas ranqueadas aplicada à busca de imagens pelo conteúdo. 2019. Dissertação de Mestrado - Universidade Estadual Paulista (Unesp). Instituto de Biociências Letras e Ciências Exatas. São José do Rio Preto São José do Rio Preto.