The semantic gap problem has been a major focus of research in the development of content-based image retrieval (CBIR) systems. In this context, the most promising research focus primarily on the inference of continuous feature weights and feature selection. However, the traditional processes of continuous feature weighting are computationally expensive and feature selection is equivalent to a binary weighting. Aiming at alleviating the semantic gap problem, this master dissertation proposes two methods for the transformation of metric feature spaces based on the inference of transformation functions using Genetic Algorithms. The WF method infers weighting functions and the TF method infers transformation functions for the features. Compared to the existing methods, both proposed methods provide a drastic searching space reduction by limiting the search to the choice of an ordered set of transformation functions. Visual analysis of the transformed space and precision. vs. recall graphics confirm that both TF and WF outperform the traditional feature weighting methods. Additionally, we found that TF method significantly outperforms WF regarding the query similarity accuracy by performing non linear feature space transformation, as found in the visual analysis. iii Aos meus pais e à minha irmã. Agradeci mentos À Deus, que guia-me todos os dias e ilumina meu caminho, pelo dom da vida. Aos meus queridos pais, Edima e Ramão, pelo incentivo, amor incondicional, carinho, apoio, pela dedicação e educação e por compreenderem a minha ausência durante o período do mestrado. À minha querida irmã Aryanne, pelo carinho, cumplicidade e incentivo que mesmo com a distância se fez sempre presente. À minha orientadora, Profa. Dra. Agma J. M. Traina, agradeço a oportunidade, o apoio, a paciência, os valiosos ensinamentos e a sua orientação que foram fundamentais durante a elaboração deste trabalho. Ao meu amigo e namorado Luciano, pelo seu jeito doce e especial de fazer dos meus dias os melhores ao seu lado, por compartilhar os momentos felizes e os não tão felizes. Ao meu amigo Patrick, pela sua amizade, lealdade, companheirismo, espontaneidade e por estar sempre disposto a ajudar. Às minhas amigas Giseli, Laís e Josi, que me fizeram sentir em casa desde que cheguei em São Carlos, pela amizade e compreensão. A todos os meus amigos de Campo Grande, pelos momentos divertidos e descontraídos que passamos juntos. Aos colegas do GBdI/ICMC, pelas discussões e conselhos, em especial aos amigos Sérgio e Mônica pelas revisões e sugestões deste texto. Ao ICMC-USP, pelo apoio institucional. Aos funcionários da secretaria da Pós-Graduação do ICMC-USP, pela atenção e competência. À FAPESP, CAPES e CNPq, pelo apoio financeiro. Meus sinceros agradecimentos. Agradeci mento Especi al Ao meu coorientador, Prof. Dr. José Fernando Rodrigues Jr., pela orientação, pelas valiosas contribuições e pela disponibilidade em ajudar. Lista de Figuras 2.1 Consulta por abrangência com três medidas de similaridade diferentes
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.