Texto completo | |
Autor(es): |
Valem, Lucas Pascotti
;
Sato Kawai, Vinicius Atsushi
;
Pereira-Ferrero, Vanessa Helena
;
Guimaraes Pedronette, Daniel Carlos
;
IEEE
Número total de Autores: 5
|
Tipo de documento: | Artigo Científico |
Fonte: | 2022 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING, ICIP; v. N/A, p. 5-pg., 2022-01-01. |
Resumo | |
Effectively measuring similarity among data samples represented as points in high-dimensional spaces remains a major challenge in retrieval, machine learning, and computer vision. In these scenarios, unsupervised manifold learning techniques grounded on rank information have been demonstrated to be a promising solution. However, various methods rely on rank correlation measures, which often depend on a proper definition of neighborhood size. On current approaches, this definition may lead to a reduction in the final desired effectiveness. In this work, a novel rank correlation measure robust to such variations is proposed for manifold learning approaches. The proposed measure is suitable for diverse scenarios and is validated on a Manifold Learning Algorithm based on Correlation Graph (CG). The experimental evaluation considered 6 datasets on general image retrieval and person Re-ID, achieving results superior to most state-of-the-art methods. (AU) | |
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: | 20/02183-9 - Aprendizado não supervisionado baseado em ranqueamento e aprendizado profundo em domínios diversos |
Beneficiário: | Vanessa Helena Pereira Ferrero |
Modalidade de apoio: | Bolsas no Brasil - Pós-Doutorado |
Processo FAPESP: | 21/07993-1 - Investigação e avaliação de medidas de correlação de ranqueamento |
Beneficiário: | Vinicius Atsushi Sato Kawai |
Modalidade de apoio: | Bolsas no Brasil - Iniciação Científica |
Processo FAPESP: | 20/11366-0 - Suporte para ambiente computacional e execução de experimentos: aprendizado fracamente supervisionado e fusão de métodos de classificação |
Beneficiário: | Lucas Pascotti Valem |
Modalidade de apoio: | Bolsas no Brasil - Programa Capacitação - Treinamento Técnico |