Combinação seletiva não supervisionada de listas ranqueadas aplicada à busca de imagens pelo conteúdo

Autor(es)

Lucas Pascotti Valem

• Tipo de documento: Dissertação de Mestrado
• Imprenta: São José do Rio Preto. 2019-03-20.
• Instituição: Universidade Estadual Paulista (Unesp). Instituto de Biociências Letras e Ciências Exatas. São José do Rio Preto
• Data de defesa: 2019-03-01
• Orientador: Daniel Carlos Guimarães Pedronette

Resumo

Em virtude do grande crescimento das coleções multimídia e da evolução das tecnologias no decorrer dos últimos anos, buscar por imagens considerando o conteúdo visual das mesmas se tornou uma tarefa de extrema importância. Os sistemas de Recuperação de Imagens pelo Conteúdo (CBIR) são a principal solução dentro desse cenário e representam um campo de pesquisa cada vez mais ativo. Atualmente, esses sistemas empregam diferentes abordagens para execução de suas tarefas, dentre elas estão diferentes descritores e métodos de aprendizado. Contudo, mensurar a similaridade de maneira eficaz ainda é um desafio, principalmente devido ao conhecido problema da lacuna semântica. Como diferentes listas ranqueadas possuem resultados distintos e muitas vezes complementares, uma estratégia que tem ganhado significativa atenção é a de combinar essas listas. Este trabalho propõe três diferentes métodos completamente não supervisionados para seleção e combinação de listas ranqueadas. As abordagens foram avaliadas em cinco coleções de imagens e diversos descritores. Foram obtidos resultados comparáveis ou superiores ao estado-da-arte na maioria dos cenários analisados. (AU)

• Processo FAPESP: 17/02091-4 - Seleção e combinação de métodos de aprendizado não supervisionado para recuperação de imagens por conteúdo
• Beneficiário: Lucas Pascotti Valem
• Modalidade de apoio: Bolsas no Brasil - Mestrado