Seleção e agregação de dupla camada para listas ranqueadas em recuperação de imagens por conteúdo

• Ano de defesa: 2024
• Autor(a) principal: Moreno Junior, Ademir [UNESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Recuperação de imagens baseado em conteúdo; Sistemas de recuperação da informação; Ranqueamento; Agregação de listas ranqueadas; Aprendizado do computador; Sistemas de arquivamento e comunicação de imagens; Information retrieval; Picture archiving and communication systems; Information storage and retrieval systems; Machine learning; Content-based image retrieval; Ranking combination; Pattern recognition
• Link de acesso: https://hdl.handle.net/11449/258177

Em decorrência de amplos avanços tecnológicos nos processos de aquisição e armazenamento de imagens, houve um massivo crescimento de coleções multimídia nas últimas décadas. Tal crescimento desencadeou uma demanda premente por ferramentas automáticas para mitigar a sobrecarga de informações. O uso de técnicas de recuperação de imagens capazes de levar em consideração o conteúdo visual tornou-se essencial neste contexto. Os sistemas de Recuperação de Imagens Baseados em Conteúdo (CBIR) consolidaram-se como uma solução relevante e representam um campo de pesquisa extremamente ativo com diversificadas aplicações Tais sistemas comumente baseiam-se na representação de imagens por meio de um processo de extração de características e na comparação das representações para a obtenção de listas ranqueadas. Contudo, há numerosas abordagens diferentes para extração de características. Apesar da revolução da área suportada por métodos baseados em aprendizado profundo, a disponibilidade de diferentes características geradas por diferentes extratores se mantém. Assim, a obtenção de resultados mais eficazes obtidos por meio da combinação de listas ranqueadas continua uma solução atrativa, uma vez que diferentes abordagens de extração de características e ranqueamento originam listas ranqueadas distintas. Contudo, a combinação de listas ranqueadas em cenários não supervisionados apresenta vários desafios. Entre eles, pode-se destacar: a dificuldade em selecionar os extratores de características e os métodos utilizados para combinação em cenários de ausência de rótulos. Com o propósito de contribuir com esse campo de pesquisa, esse trabalho apresenta uma proposta de metodologia de seleção e agregação multinível de ranqueadores baseados em diferentes extratores de características. A proposta deste trabalho aborda um cenário de agregação de ranqueadores em um contexto não supervisionado, estruturado em duas camadas. A primeira camada baseia-se em medidas de estimativa de eficácia para selecionar ranqueadores individuais, os quais são combinados em pares de forma sistemática. Na segunda camada, os pares de ranqueadores gerados na etapa anterior são selecionados e combinados, resultando em uma lista ranqueada final. Os resultados obtidos em avaliação experimental conduzida em três datasets de diferentes tamanhos demonstram que o método proposto apresenta resultados que superam metodologias já estabelecidas na área.