Busca avançada
Ano de início
Entree
(Referência obtida automaticamente do Web of Science, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores.)

Unsupervised similarity learning through Cartesian product of ranking references

Texto completo
Autor(es):
Valem, Lucas Pascotti [1] ; Guimaraes Pedronette, Daniel Carlos [1] ; Almeida, Jurandy [2]
Número total de Autores: 3
Afiliação do(s) autor(es):
[1] State Univ Sao Paulo UNESP, Dept Stat Appl Math & Comp, Av 24-A, 1515, BR-13506900 Rio Claro, SP - Brazil
[2] Fed Univ Sao Paulo UNIFESP, Inst Sci & Technol, Av Cesare MG Lattes 1201, BR-12247014 Sao Jose Dos Campos, SP - Brazil
Número total de Afiliações: 2
Tipo de documento: Artigo Científico
Fonte: PATTERN RECOGNITION LETTERS; v. 114, n. SI, p. 41-52, OCT 15 2018.
Citações Web of Science: 2
Resumo

Despite the consistent advances in visual features and other Multimedia Information Retrieval (MIR) techniques, measuring the similarity among multimedia objects is still a challenging task for an effective retrieval. In this scenario, similarity learning approaches capable of improving the effectiveness of retrieval in an unsupervised way are indispensable. A novel method, called Cartesian Product of Ranking References (CPRR), is proposed with this objective in this paper. The proposed method uses Cartesian product operations based on rank information for exploiting the underlying structure of datasets. Only subsets of ranked lists are required, demanding low computational efforts. An extensive experimental evaluation was conducted considering various aspects, seven public multimedia datasets (images and videos) and several different features. Besides effectiveness, experiments were also conducted to assess the efficiency of the method, considering parallel and heterogeneous computing on CPU and GPU devices. The proposed method achieved significant effectiveness gains, including competitive state-of-the-art results on popular benchmarks. Keywords: Content-based image retrieval Unsupervised learning Cartesian product Effectiveness Efficiency (C) 2017 Elsevier B.V. All rights reserved. (AU)

Processo FAPESP: 16/06441-7 - Recuperação de informação semântica em grandes bases de vídeos
Beneficiário:Jurandy Gomes de Almeida Junior
Linha de fomento: Auxílio à Pesquisa - Regular
Processo FAPESP: 13/08645-0 - Reclassificação e agregação de listas para tarefas de recuperação de imagens
Beneficiário:Daniel Carlos Guimarães Pedronette
Linha de fomento: Auxílio à Pesquisa - Apoio a Jovens Pesquisadores
Processo FAPESP: 17/02091-4 - Seleção e combinação de métodos de aprendizado não supervisionado para recuperação de imagens por conteúdo
Beneficiário:Lucas Pascotti Valem
Linha de fomento: Bolsas no Brasil - Mestrado
Processo FAPESP: 14/04220-8 - Execução eficiente de métodos de reclassificação e agregação de listas
Beneficiário:Lucas Pascotti Valem
Linha de fomento: Bolsas no Brasil - Iniciação Científica