Seleção e agregação de características baseadas em medidas de ranqueamento

• Processo: 22/07349-8
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de agosto de 2022
• Data de Término da vigência: 31 de julho de 2024
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Daniel Carlos Guimarães Pedronette
• Beneficiário: Ademir Moreno Junior
• Instituição Sede: Instituto de Geociências e Ciências Exatas (IGCE). Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Rio Claro , SP, Brasil
• Vinculado ao auxílio: 18/15597-6 - Aplicação e investigação de métodos de aprendizado não-supervisionado em tarefas de recuperação e classificação, AP.JP2
• Assunto(s): Recuperação da informação Recuperação de imagens Percepção visual Aprendizagem profunda Aprendizado de máquina não supervisionado
• Palavra(s)-Chave do Pesquisador: feature selection | fusion | ranking | Recuperação da Informação

Resumo

Apesar dos significativos avanços recentes nos métodos de extração de carectísricas baseados em abordagens de aprendizado profundo, a recuperação de imagens ainda continua sendo um desafio em vários cenários. Tal complexidade está associada principalmente aos diversos aspectos envolvidos na percepção visual, que geralmente não podem ser codificados por uma única característica. Dada a infinidade de recursos disponíveis, várias abordagens de fusão têm sido investigadas com o objetivo de produzir resultados de recuperação mais eficazes. Apesar do sucesso das abordagens de fusão, outra tarefa crucial consiste em definir quais recursos combinar. A seleção de features capazes de produzir um resultado efetivo de recuperação consiste em uma tarefa difícil, principalmente em cenários não supervisionados, onde não há informações sobre a eficácia da feature. Este projeto visa abordar esse problema investigando uma estrutura de seleção não supervisionada baseada em informações de ranqueamento. A metodologia proposta visa investigar o uso de medidas de correlação de ranqueamento recentemente propostas para analisar informações complementares e medidas recentes de estimativa de eficácia para identificar as combinações mais eficazes. (AU)