Método de Aprendizado Não Supervisionado Baseado no Produto Cartesiano de Rankings para Busca de Imagens
Lucas Pascotti Valem, Daniel Carlos Guimarães Pedronette
Departamento de Estatística, Matemática Aplicada e Computação (DEMAC), Instituto de Geociências e Ciências Exatas (IGCE), Universidade Estadual de São Paulo (UNESP) - Rio Claro/SP – Brasil
lucasvalem@rc.unesp.br, daniel@rc.unesp.br
Palavras Chave: Imagens, Recuperação por Conteúdo, Produto Cartesiano, Análise de Eficácia, Análise de Eficiência
Introdução
Sistemas CBIR se estabeleceram como um recurso essencial em muitos campos. No entanto, apesar do desenvolvimento de métodos de recuperação de imagens, medir efetivamente a similaridade entre as imagens continua sendo um desafio.
Nesse cenário, técnicas de aprendizado por similaridade capazes de melhorar a eficácia em tarefas de recuperação não supervisionada são indispensáveis.
Objetivos
A iniciação científica teve como propósito o desenvolvimento de um algoritmo de aprendizado não supervisionado que visa maximizar a informação de similaridade disponível nos rankings através de operações de produto cartesiano, técnica até então inédita na literatura.
Material e Métodos
O trabalho consistiu no desenvolvimento do algoritmo Cartesian Product of Ranking References (CPRR), que explora informações das listas de resultados sem a necessidade de intervenção do usuário. Conceitos de computação paralela e heterogêna, utilizando CPUs e GPUs, foram aplicados no trabalho.
Resultados e Discussão
Vários experimentos foram realizados para avaliar a eficácia e eficiência do método desenvolvido.
A Figura 1 ilustra uma análise conjunta de eficácia e eficiência considerando o dataset MPEG-7 e alguns algoritmos como baselines.
Figura 1. Análise de Eficácia e Eficiência
A Tabela 1 apresenta uma comparação de eficácia do método desenvolvido com os métodos mais recentes no dataset UKBench. Para mais informações sobre os métodos, consulte [1].
Tabela 1. Comparação com Métodos Recentes
A Figura 2 apresenta quatro exemplos de listas de resultados antes e após a execução do algoritmo. A imagem de consulta é ilustrada em quadro verde e as imagens incorretas em quadros vermelhos.
Figura 2. Exemplos de Listas de Resultados
Publicações e Agradecimentos
O trabalho originou um artigo aceito na categoria Full Paper da Conference on Graphics, Patterns and Images (SIBGRAPI) 2016 - Qualis B1 [1].
Os autores agradecem o apoio financeiro da Fundação de Amparo à Pesquisa do Estado de São Paulo - FAPESP (processos 2013/08645-0 e 2014/04220-8).
Conclusões
Neste trabalho, é apresentado um algoritmo de aprendizado não supervisionado para tarefas de recuperação de imagens que considera uma abordagem de produto cartesiano a fim de expandir as relações de similaridade entre as imagens.
[1] Lucas Pascotti Valem, Daniel Carlos Guimarães Pedronette.
Unsupervised Similarity Learning through Cartesian Product of Ranking References for Image Retrieval Tasks. SIBGRAPI, 2016.
XXVIII Congresso de Iniciação Científica
