Busca avançada
Ano de início
Entree

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

Processo: 17/02091-4
Linha de fomento: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
Convênio/Acordo: 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

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 (5)
(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. Citações Web of Science: 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. Citações Web of Science: 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. Citações Web of Science: 0.
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: 1.
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: 2.
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. 106 f. Dissertação de Mestrado - Universidade Estadual Paulista "Júlio de Mesquita Filho" Instituto de Biociências, Letras e Ciências Exatas..

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