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.)

A scalable re-ranking method for content-based image retrieval

Texto completo
Autor(es):
Guimaraes Pedronette, Daniel Carlos [1] ; Almeida, Jurandy [2, 3] ; Torres, Ricardo da S. [3]
Número total de Autores: 3
Afiliação do(s) autor(es):
[1] Univ Estadual Paulista UNESP, Dept Stat Appl Math & Comp, BR-13506900 Rio Claro, SP - Brazil
[2] Fed Univ Sao Paulo UNIFESP, Inst Sci & Technol, BR-12231280 Sao Jose Dos Campos, SP - Brazil
[3] Univ Campinas UNICAMP, RECOD Lab, IC, BR-13083852 Campinas, SP - Brazil
Número total de Afiliações: 3
Tipo de documento: Artigo Científico
Fonte: INFORMATION SCIENCES; v. 265, p. 91-104, MAY 1 2014.
Citações Web of Science: 34
Resumo

Content-based Image Retrieval (CBIR) systems consider only a pairwise analysis, i.e., they measure the similarity between pairs of images, ignoring the rich information encoded in the relations among several images. However, the user perception usually considers the query specification and responses in a given context. In this scenario, re-ranking methods have been proposed to exploit the contextual information and, hence, improve the effectiveness of CBIR systems. Besides the effectiveness, the usefulness of those systems in real-world applications also depends on the efficiency and scalability of the retrieval process, imposing a great challenge to the re-ranking approaches, once they usually require the computation of distances among all the images of a given collection. In this paper, we present a novel approach for the re-ranking problem. It relies on the similarity of top-k lists produced by efficient indexing structures, instead of using distance information from the entire collection. Extensive experiments were conducted on a large image collection, using several indexing structures. Results from a rigorous experimental protocol show that the proposed method can obtain significant effectiveness gains (up to 12.19% better) and, at the same time, improve considerably the efficiency (up to 73.11% faster). In addition, our technique scales up very well, which makes it suitable for large collections. (C) 2014 Elsevier Inc. All rights reserved. (AU)

Processo FAPESP: 11/11171-5 - Gestão de séries temporais do e-phenology
Beneficiário:Jurandy Gomes de Almeida Junior
Linha de fomento: Bolsas no Brasil - Pós-Doutorado
Processo FAPESP: 09/18438-7 - Classificação e busca em grande escala para dados complexos
Beneficiário:Ricardo da Silva Torres
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: 09/05951-8 - Indexação de dados multimídia em alta dimensionalidade: aplicação à busca em bases de imagens e vídeos
Beneficiário:Eduardo Alves Do Valle Junior
Linha de fomento: Bolsas no Brasil - Pós-Doutorado
Processo FAPESP: 07/52015-0 - Métodos de aproximação para computação visual
Beneficiário:Jorge Stolfi
Linha de fomento: Auxílio à Pesquisa - Temático