Concept learning by fuzzy k-NN classification and relevance feedback for efficient image retrieval

Nezamabadi‐pour, Hossein; Kabir, Ehsanollah

doi:10.1016/j.eswa.2008.07.008

Cited by 32 publications

(9 citation statements)

References 38 publications

(44 reference statements)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…To evaluate the performance of the proposed algorithm, the techniques studied by Rashedi et al in [4] and SVM classifier in [18,19] are implemented. We evaluate the methods on Corel database containing 10000 color images of 82 different semantic groups.…”

Section: Resultsmentioning

confidence: 99%

See 1 more Smart Citation

Integration of short term learning methods for image retrieval by reciprocal rank fusion

Bagheri

Pourmahyabadi

Nezamabadi‐pour

2013

2013 8th Iranian Conference on Machine Vision and Image Processing (MVIP)

Self Cite

View full text Add to dashboard Cite

In the image retrieval, "Fusion" refers to the problem where two or more ranked image lists are merged into a single ranked list and the unified list is presented to the user. In this paper, we focus on the combination of two ranked results from the independent Short term learning methods with Reciprocal Rank Fusion to improve the accuracy of the system. To evaluate the proposed method, we implement a Content based image retrieval systems in which each session consists of four rounds of relevance feedback and Corel data set with 10000 color images from 82 different semantic groups are used. The experimental results on 100 test images revealed the superior of suggested method to existing Short term learning methods in terms of precision.

show abstract

Section: Resultsmentioning

confidence: 99%

“…t selecting the unlabeled data vance function f trained with the ormalize this selection process as ost function is introduced. ning method [19], the selected over the pool of unlabeled (4) active learning asks user to label an search. Euclidean search is a information retrieval.…”

Section: The Proposed Stl Methodsmentioning

confidence: 99%

Integration of short term learning methods for image retrieval by reciprocal rank fusion

Bagheri

Pourmahyabadi

Nezamabadi‐pour

2013

2013 8th Iranian Conference on Machine Vision and Image Processing (MVIP)

Self Cite

View full text Add to dashboard Cite

show abstract

“…As per that algorithm weight is given to each feature and it was adjusted based on the user feedback .And user were provided with more satisfactory results. This experiment shows that classification accuracy was improve with relevance feedback algorith m [3].…”

Section: International Journal Of Advance Engineer Ing and Research Dmentioning

confidence: 90%

Feature Based Image Retrieval Using Classification and Relevance Feedback Technique

2015

IJAERD

View full text Add to dashboard Cite

show abstract

“…Diversos autores (Keim et al, 2005; Deselaers et al, 2008;Nezamabadi-pour & Kabir, 2009;Joshi et al, 2012) propõem então que é importante, para o processo de classificação, que o usuário seja inserido no processo de exploração, combinando a flexibilidade, criatividade e conhecimento do ser humano com a capacidade computacional atual. Entretanto, essa combinação não será possível caso o usuário tenha acesso apenas a uma lista de todas as imagens da coleção, para a análise uma a uma.…”

Section: Motivaçãounclassified

“…Além disso, mesmo com avanços observados em algoritmos de seleção e transformação de características usadas na classificação e recuperação de imagens (Chang et al, 2009; Guan et al, 2010; Ciocca et al, 2011), existe dificuldade em relacionar essas características (de baixo nível, tais como cor, textura, Capítulo 1 -Introdução 3 estrutura, entre outras) com semânticas de alto nível (Huang, 2012), no sentido que elas muitas vezes falham em descrever as concepções mentais dos usuários sobre as imagens. De acordo com Ciocca et al (2011), o problema existe porque o significado de uma imagem não é uma função de seu conteúdo, mas depende da sua descrição no ambiente no qual ela foi produzida, do contexto cultural no qual é examinada, entre outros fatores.Diversos autores (Keim et al, 2005; Deselaers et al, 2008;Nezamabadi-pour & Kabir, 2009;Joshi et al, 2012) propõem então que é importante, para o processo de classificação, que o usuário seja inserido no processo de exploração, combinando a flexibilidade, criatividade e conhecimento do ser humano com a capacidade computacional atual. Entretanto, essa combinação não será possível caso o usuário tenha acesso apenas a uma lista de todas as imagens da coleção, para a análise uma a uma.…”

unclassified

Técnicas computacionais de apoio à classificação visual de imagens e outros dados

Paiva¹

View full text Add to dashboard Cite

AgradecimentosAgradeço a Deus por ter me dado a sabedoria e persistência para vencer mais esse desafio em minha vida.Agradeço a meus pais e irmãos, que mesmo imaginando o caminho árduo pelo qual eu passaria durante esse período, me apoiaram e incentivaram, como sempre fizeram durante toda a minha vida.Agradeço a Elaine, minha amada esposa, que soube mais uma vez, como ninguém, me apoiar, incentivar e aguentar nos momentos mais difíceis (e não foram poucos) deste trabalho, além de compartilhar todos as vitórias, se mostrando acima de tudo uma verdadeira amiga e companheira. Nunca vou me esquecer disso.Agradeço à minha orientadora, Profa. Dra. Rosane Minghim, que durante o período de orientação soube transmitir os ensinamentos fundamentais para o desenvolvimento de um trabalho de qualidade e aplicabilidade, além de contribuir significativamente com o meu amadurecimento como pesquisador, cujas atribuições me sinto agora apto a exercer. Espero continuar essa parceria em muitos projetos futuros.Agradeço ao Prof. Dr. Guilherme Pimentel Telles, pelas ideias e sugestões de grande valor na implementação e modificação das árvores de similaridade. Agradeço também ao Prof. Dr. Hélio Pedrini e ao Prof. Dr. William Robson Schwartz, pela participação fundamental na sugestão de abordagens e soluções relativas à classificação de imagens, pela indicação e concessão de artigos e códigos base das técnicas PLS e LWPR, além do fornecimento de algumas das coleções utilizadas nos experimentos. Também espero que possamos trabalhar juntos em pesquisas futuras.Agradeço aos colegas do grupo VICG, que me auxiliaram na construção de diversos componentes para o sistema VisPipeline, facilitando consideravelmente o desenvolvimento das ideias propostas na tese.Agradeço a Universidade de São Paulo -ICMC -São Carlos, por me acolher durante o período do doutorado, e fornecer toda a infraestrutura necessária e recursos financeiros para o desenvolvimento do projeto. i Resumo O processo automático de classificação de dados em geral, e em particular de classificação de imagens, é uma tarefa computacionalmente intensiva e variável em termos de precisão, sendo consideravelmente dependente da configuração do classificador e da representação dos dados utilizada. Muitos dos fatores que afetam uma adequada aplicação dos métodos de classificação ou categorização para imagens apontam para a necessidade de uma maior interferência do usuário no processo. Para isso são necessárias mais ferramentas de apoio às várias etapas do processo de classificação, tais como, mas não limitadas, a extração de características, a parametrização dos algoritmos de classificação e a escolha de instâncias de treinamento adequadas. Este doutorado apresenta uma metodologia para Classificação Visual de Imagens, baseada na inserção do usuário no processo de classificação automática através do uso de técnicas de visualização. A ideia é permitir que o usuário participe de todos os passos da classificação de determinada coleção, realizando ajustes e consequentemente melhorando os resultado...

show abstract

Concept learning by fuzzy k-NN classification and relevance feedback for efficient image retrieval

Cited by 32 publications

References 38 publications

Integration of short term learning methods for image retrieval by reciprocal rank fusion

Integration of short term learning methods for image retrieval by reciprocal rank fusion

Feature Based Image Retrieval Using Classification and Relevance Feedback Technique

Técnicas computacionais de apoio à classificação visual de imagens e outros dados

Contact Info

Product

Resources

About