Recuperação de imagens por conteúdo baseada em realimentação de relevância e classificador por floresta de caminhos ótimos

Detalhes bibliográficos
Autor(a) principal: Silva, André Tavares da
Data de Publicação: 2011
Tipo de documento: Tese
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/1616039
Resumo: Orientadores: Léo Pini Magalhães, Alexandre Xavier Falcão
id UNICAMP-30_4d9ecf4f99dfcc431e56dcfe3d152026
oai_identifier_str oai::807832
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Recuperação de imagens por conteúdo baseada em realimentação de relevância e classificador por floresta de caminhos ótimosContent-based image retrieval based on relevance feedback and optimum-path forest classifierReconhecimento de padrõesRecuperação da informaçãoAnálise de imagemPattern recognitionInformation retrievalImage analysisOrientadores: Léo Pini Magalhães, Alexandre Xavier FalcãoTese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de ComputaçãoResumo: Com o crescente aumento de coleções de imagens resultantes da popularização da Internet e das câmeras digitais, métodos eficientes de busca tornam-se cada vez mais necessários. Neste contexto, esta tese propõe novos métodos de recuperação de imagens por conteúdo baseados em realimentação de relevância e no classificador por floresta de caminhos ótimos (OPF - Optimum-Path Forest), sendo também a primeira vez que o classificador OPF é utilizado em conjuntos de treinamento pequenos. Esta tese denomina como guloso e planejado os dois paradigmas distintos de aprendizagem por realimentação de relevância considerando as imagens retornadas. O primeiro paradigma tenta retornar a cada iteração sempre as imagens mais relevantes para o usuário, enquanto o segundo utiliza no aprendizado as imagens consideradas mais informativas ou difíceis de classificar. São apresentados os algoritmos de realimentação de relevância baseados em OPF utilizando ambos os paradigmas com descritor único. São utilizadas também duas técnicas de combinação de descritores juntamente com os métodos de realimentação de relevância baseados em OPF para melhorar a eficácia do processo de aprendizagem. A primeira, MSPS (Multi-Scale Parameter Search), é utilizada pela primeira vez em recuperação de imagens por conteúdo, enquanto a segunda é uma técnica consolidada baseada em programação genética. Uma nova abordagem para realimentação de relevância utilizando o classificador OPF em dois níveis de interesse é também apresentada. Nesta abordagem é possível, em um nível de interesse, selecionar os pixels nas imagens, além de escolher as imagens mais relevantes a cada iteração no outro nível. Esta tese mostra que o uso do classificador OPF para recuperação de imagens por conteúdo é muito eficiente e eficaz, necessitando de poucas iterações de aprendizado para apresentar os resultados desejados aos usuários. As simulações mostram que os métodos propostos superam os métodos de referência baseados em múltiplos pontos de consulta e em máquina de vetor de suporte (SVM). Além disso, os métodos propostos de busca de imagens baseados no classificador por floresta de caminhos ótimos mostraram ser em média 52 vezes mais rápidos do que os métodos baseados em máquina de vetor de suporteAbstract: Considering the increasing amount of image collections that result from popularization of the digital cameras and the Internet, efficient search methods are becoming increasingly necessary. In this context, this doctoral dissertation proposes new methods for content-based image retrieval based on relevance feedback and on the OPF (optimum-path forest) classifier, being also the first time that the OPF classifier is used in small training sets. This doctoral dissertation names as "greedy" and "planned" the two distinct learning paradigms for relevance feedback taking into account the returned images. The first paradigm attempts to return the images most relevant to the user at each iteration, while the second returns the images considered the most informative or difficult to be classified. The dissertation presents relevance feedback algorithms based on the OPF classifier using both paradigms with single descriptor. Two techniques for combining descriptors are also presented along with the relevance feedback methods based on OPF to improve the effectiveness of the learning process. The first one, MSPS (Multi-Scale Search Parameter), is used for the first time in content-based image retrieval and the second is a consolidated technique based on genetic programming. A new approach of relevance feedback using the OPF classifier at two levels of interest is also shown. In this approach it is possible to select the pixels in images at a level of interest and to choose the most relevant images at each iteration at another level. This dissertation shows that the use of the OPF classifier for content based image retrieval is very efficient and effective, requiring few learning iterations to produce the desired results to the users. Simulations show that the proposed methods outperform the reference methods based on multi-point query and support vector machine. Besides, the methods based on optimum-path forest have shown to be on the average 52 times faster than the SVM-based approachesDoutoradoEngenharia de ComputaçãoDoutor em Engenharia Elétrica[s.n.]Magalhães, Léo Pini, 1952-Falcão, Alexandre Xavier, 1966-Guimarães, Silvio Jamil FerzoliCesar Junior, Roberto MarcondesTozzi, Clésio LuisLotufo, Roberto de AlencarUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de ComputaçãoPrograma de Pós-Graduação em Engenharia ElétricaUNIVERSIDADE ESTADUAL DE CAMPINASSilva, André Tavares da2011info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdf150 p. : il.https://hdl.handle.net/20.500.12733/1616039SILVA, André Tavares da. Recuperação de imagens por conteúdo baseada em realimentação de relevância e classificador por floresta de caminhos ótimos. 2011. 150 p. Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1616039. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/807832porreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2017-02-18T06:22:07Zoai::807832Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2017-02-18T06:22:07Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Recuperação de imagens por conteúdo baseada em realimentação de relevância e classificador por floresta de caminhos ótimos
Content-based image retrieval based on relevance feedback and optimum-path forest classifier
title Recuperação de imagens por conteúdo baseada em realimentação de relevância e classificador por floresta de caminhos ótimos
spellingShingle Recuperação de imagens por conteúdo baseada em realimentação de relevância e classificador por floresta de caminhos ótimos
Silva, André Tavares da
Reconhecimento de padrões
Recuperação da informação
Análise de imagem
Pattern recognition
Information retrieval
Image analysis
title_short Recuperação de imagens por conteúdo baseada em realimentação de relevância e classificador por floresta de caminhos ótimos
title_full Recuperação de imagens por conteúdo baseada em realimentação de relevância e classificador por floresta de caminhos ótimos
title_fullStr Recuperação de imagens por conteúdo baseada em realimentação de relevância e classificador por floresta de caminhos ótimos
title_full_unstemmed Recuperação de imagens por conteúdo baseada em realimentação de relevância e classificador por floresta de caminhos ótimos
title_sort Recuperação de imagens por conteúdo baseada em realimentação de relevância e classificador por floresta de caminhos ótimos
author Silva, André Tavares da
author_facet Silva, André Tavares da
author_role author
dc.contributor.none.fl_str_mv Magalhães, Léo Pini, 1952-
Falcão, Alexandre Xavier, 1966-
Guimarães, Silvio Jamil Ferzoli
Cesar Junior, Roberto Marcondes
Tozzi, Clésio Luis
Lotufo, Roberto de Alencar
Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação
Programa de Pós-Graduação em Engenharia Elétrica
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Silva, André Tavares da
dc.subject.por.fl_str_mv Reconhecimento de padrões
Recuperação da informação
Análise de imagem
Pattern recognition
Information retrieval
Image analysis
topic Reconhecimento de padrões
Recuperação da informação
Análise de imagem
Pattern recognition
Information retrieval
Image analysis
description Orientadores: Léo Pini Magalhães, Alexandre Xavier Falcão
publishDate 2011
dc.date.none.fl_str_mv 2011
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/1616039
SILVA, André Tavares da. Recuperação de imagens por conteúdo baseada em realimentação de relevância e classificador por floresta de caminhos ótimos. 2011. 150 p. Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1616039. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/1616039
identifier_str_mv SILVA, André Tavares da. Recuperação de imagens por conteúdo baseada em realimentação de relevância e classificador por floresta de caminhos ótimos. 2011. 150 p. Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1616039. Acesso em: 3 set. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/807832
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
150 p. : il.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1809189060554522624

Registros relacionados