Multimedia Retrieval Through Unsupervised Hypergraph-Based Manifold Ranking

Autor(es)

Guimaraes Pedronette, Daniel Carlos ^[1] ; Valem, Lucas Pascotti ^[1] ; Almeida, Jurandy ^[2] ; Tones, Ricardo da S. ^[3]

Afiliação do(s) autor(es)

^[1] State Univ Sao Paulo, Dept Stat Appl Maths & Comp, BR-13506900 Rio Claro - Brazil

^[2] Univ Fed Sao Paulo, Inst Sci & Technol, BR-12231280 Sao Jose Dos Campos - Brazil

^[3] Univ Estadual Campinas, Inst Comp, RECOD Lab, BR-13083852 Campinas, SP - Brazil

• Tipo de documento: Artigo Científico
• Fonte: IEEE Transactions on Image Processing; v. 28, n. 12, p. 5824-5838, DEC 2019.
• Citações Web of Science: 0

Resumo

Accurately ranking images and multimedia objects are of paramount relevance in many retrieval and learning tasks. Manifold learning methods have been investigated for ranking mainly due to their capacity of taking into account the intrinsic global manifold structure. In this paper, a novel manifold ranking algorithm is proposed based on the hypergraphs for unsupervised multimedia retrieval tasks. Different from traditional graph-based approaches, which represent only pairwise relationships, hypergraphs are capable of modeling similarity relationships among a set of objects. The proposed approach uses the hyperedges for constructing a contextual representation of data samples and exploits the encoded information for deriving a more effective similarity function. An extensive experimental evaluation was conducted on nine public datasets including diverse retrieval scenarios and multimedia content. Experimental results demonstrate that high effectiveness gains can be obtained in comparison with the state-of-the-art methods. (AU)

• Processo FAPESP: 14/50715-9 - Characterizing and predicting biomass production in sugarcane and eucalyptus plantations in Brazil
• Beneficiário: Rubens Augusto Camargo Lamparelli
• Modalidade de apoio: Auxílio à Pesquisa - Parceria para Inovação Tecnológica - PITE
• Processo FAPESP: 16/50250-1 - O segredo de jogar futebol: Brasil versus Holanda
• Beneficiário: Sergio Augusto Cunha
• Modalidade de apoio: Auxílio à Pesquisa - Temático
• Processo FAPESP: 17/25908-6 - Aprendizado fracamente supervisionado para análise de vídeos no domínio comprimido em tarefas de recuperação e classificação para alertas visuais
• Beneficiário: João Paulo Papa
• Modalidade de apoio: Auxílio à Pesquisa - Parceria para Inovação Tecnológica - PITE
• Processo FAPESP: 17/20945-0 - EMU concedido no processo 16/50250-1: local positioning system
• Beneficiário: Sergio Augusto Cunha
• Modalidade de apoio: Auxílio à Pesquisa - Programa Equipamentos Multiusuários
• Processo FAPESP: 14/12236-1 - AnImaLS: Anotação de Imagem em Larga Escala: o que máquinas e especialistas podem aprender interagindo?
• Beneficiário: Alexandre Xavier Falcão
• Modalidade de apoio: Auxílio à Pesquisa - Temático
• Processo FAPESP: 16/06441-7 - Recuperação de informação semântica em grandes bases de vídeos
• Beneficiário: Jurandy Gomes de Almeida Junior
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Processo FAPESP: 18/15597-6 - Aplicação e investigação de métodos de aprendizado não-supervisionado em tarefas de recuperação e classificação
• Beneficiário: Daniel Carlos Guimarães Pedronette
• Modalidade de apoio: Auxílio à Pesquisa - Jovens Pesquisadores - Fase 2
• Processo FAPESP: 13/50155-0 - Combining new technologies to monitor phenology from leaves to ecosystems
• Beneficiário: Leonor Patricia Cerdeira Morellato
• Modalidade de apoio: Auxílio à Pesquisa - Programa de Pesquisa sobre Mudanças Climáticas Globais - PITE
• 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
• Processo FAPESP: 15/24494-8 - Comunicação e processamento de big data em nuvens e névoas computacionais
• Beneficiário: Nelson Luis Saldanha da Fonseca
• Modalidade de apoio: Auxílio à Pesquisa - Temático