Seleção e combinação de métodos de aprendizado não supervisionado para recuperação de imagens por conteúdo.
Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) - Agradecemos 2017/02091-4 e 2013/08645-0.
Período: 2017-2019 (Concluído)
Orientador: Daniel Carlos Guimarães Pedronette
Resumo:
A evolução dos dispositivos móveis e as consequentes facilidades nos processos de aquisição e compartilhamento de conteúdo visual têm provocado um grande crescimento nas coleções de imagens. Nesse cenário, torna-se premente o desenvolvimento de métodos automáticos que permitam indexar, analisar e realizar buscas em tal conteúdo. Sistemas de Recuperação de Imagens Baseados no Conteúdo (Content-Based Image Retrieval - CBIR) constituem uma solução promissora. Contudo, avaliar a similaridade entre o conteúdo visual de imagens apresenta vários desafios. Métodos de Aprendizado Não Supervisionado têm se estabelecido como uma solução para aumentar a eficácia de buscas sem requerer intervenção dos usuários. Como vários métodos têm sido desenvolvidos, utilizando abordagens distintas e complementares, surgem novos desafios de pesquisa em relação à combinação desses métodos com o objetivo de aumentar os ganhos. Esse projeto de pesquisa pretende investigar e propor estratégias para seleção e agregação de métodos de aprendizado não supervisionado.
Re-Ranking and Rank Aggregation Approaches for Image Retrieval Tasks.
Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) - Agradecemos 2014/04220-8 e 2013/08645-0.
Período: 2014-2016 (Concluído)
Orientador: Daniel Carlos Guimarães Pedronette
Resumo:
Sistemas de Recuperação de Imagens Baseados no Conteúdo (Content-Based Image Retrieval - CBIR) tem como principal objetivo recuperar imagens similares em uma coleção considerando propriedades visuais das imagens. Os usuários estão interessados nas imagens retornadas nas primeiras posições das listas de resultados, que são usualmente as mais relevantes. Portanto, classificar as imagens da coleção de maneira eficaz é de suma importância. Entretanto, em geral, os sistemas CBIR realizam apenas comparações de imagens par-a-par, isto é, calculam medidas de similaridade (ou distância) considerando apenas pares de imagens, ignorando as informações codificadas nos relacionamentos entre as imagens. Com o objetivo de aumentar a eficácia dos sistemas de CBIR, foram propostos métodos de reclassificação (re-ranking) e agregação (rank aggregation) de listas. O principal objetivo desse projeto é a implementação paralela de um método de re-ranking e a execução de ações de profiling em ambientes de computação heterogênea, envolvendo CPUs e GPUs.
Home
Publicações
Projetos
Softwares
Prêmios
Currículo
Contato
