Evaluation of parameters for combining multiple textual sources of evidence for Web image retrieval using genetic programming

Saraiva, Patricia Correia; Cavalcanti, João M. B.; Gonçalves, Marcos André; Santos, Katia C. Lage dos; Moura, Edleno Silva de; Torres, Ricardo da Silva

doi:10.1007/s13173-012-0087-1

Cited by 5 publications

(4 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Saraiva et al, 76 on the other hand, used GP to combine multiple textual sources of evidence, such as image file name, the content of HTML, page title, alt tag, keywords, description, and text passages around the image, to rank web‐based image retrievals.…”

Section: Category‐wise Image Processing Applications Of Gpmentioning

confidence: 99%

A recent survey on the applications of genetic programming in image processing

Khan

Qureshi

Wahab

et al. 2021

Computational Intelligence

View full text Add to dashboard Cite

Genetic programming (GP) has been primarily used to tackle optimization, classification, and feature selection related tasks. The widespread use of GP is due to its flexible and comprehensible tree‐type structure. Similarly, research is also gaining momentum in the field of image processing, because of its promising results over vast areas of applications ranging from medical image processing to multispectral imaging. Image processing is mainly involved in applications such as computer vision, pattern recognition, image compression, storage, and medical diagnostics. This universal nature of images and their associated algorithm, that is, complexities, gave an impetus to the exploration of GP. GP has thus been used in different ways for image processing since its inception. Many interesting GP techniques have been developed and employed in the field of image processing, and consequently, we aim to provide the research community an extensive view of these techniques. This survey thus presents the diverse applications of GP in image processing and provides useful resources for further research. In addition, the comparison of different parameters used in different applications of image processing is summarized in tabular form. Moreover, analysis of the different parameters used in image processing related tasks is carried‐out to save the time needed in the future for evaluating the parameters of GP. As more advancement is made in GP methodologies, its success in solving complex tasks, not only in image processing but also in other fields, may increase. In addition, guidelines are provided for applying GP in image processing related tasks, the pros and cons of GP techniques are discussed, and some future directions are also set.

show abstract

Section: Category‐wise Image Processing Applications Of Gpmentioning

confidence: 99%

A recent survey on the applications of genetic programming in image processing

Khan

Qureshi

Wahab

et al. 2021

Computational Intelligence

View full text Add to dashboard Cite

show abstract

“…In general, approaches for classification are applied in very close configurations like few classes or isolated binary cases. Regarding function learning for general purposes, GP has also been used to learn formulas to combine time series similarity functions [32,33], or formulas that extract relevant information from similarity measures obtained throughout the user relevance feedback iterations [34], or textual sources [35].…”

Section: Related Workmentioning

confidence: 99%

A Soft Computing Approach for Selecting and Combining Spectral Bands

et al. 2020

Self Cite

View full text Add to dashboard Cite

We introduce a soft computing approach for automatically selecting and combining indices from remote sensing multispectral images that can be used for classification tasks. The proposed approach is based on a Genetic-Programming (GP) framework, a technique successfully used in a wide variety of optimization problems. Through GP, it is possible to learn indices that maximize the separability of samples from two different classes. Once the indices specialized for all the pairs of classes are obtained, they are used in pixelwise classification tasks. We used the GP-based solution to evaluate complex classification problems, such as those that are related to the discrimination of vegetation types within and between tropical biomes. Using time series defined in terms of the learned spectral indices, we show that the GP framework leads to superior results than other indices that are used to discriminate and classify tropical biomes.

show abstract

“…Com relação aos parâmetros GP, além da taxa de reprodução, existem alguns atributos a levar em consideração: taxa de mutação, taxa de crossover, número de indivíduos na população inicial, número de gerações e profundidade da árvore. Utilizaram-se as metodologias propostas em [4,24,62] para avaliar o impacto dos parâmetros GP nos experimentos de reconhecimento de objetos considerados.…”

Section: Configuração Gpunclassified

“…Por outro lado, para avaliar os parâmetros número de indivíduos na população inicial (X), número de gerações (Y ) e profundidade da árvore (Z) utilizou-se um modelo fullfactorial de dois níveis [10] que serve para conhecer a importância de cada parâmetro nos resultados. Este modelo foi testado e utilizado em [4,24,62]. Neste tipo de modelo, cada parâmetro é avaliado com dois valores, um valor baixo (−) e um valor alto (+).…”

Section: Configuração Gpunclassified

Técnicas de combinação de evidências para problemas de reconhecimento em cenário aberto

Neira¹

View full text Add to dashboard Cite

Hoje estou realizando meu sonho de ser mestre em Ciência da Computação. Durante este tempo, tive o apoio sincero e a motivação de muitas pessoas a quem quero agradecer por ter estado sempre comigo.Primeiramente, quero agradecer a Deus pela vida, pela saúde, pelas oportunidades, pelos sonhos. Muito obrigado meu Deus por aqueles sonhos que pareciam inalcançáveis e que se fizeram realidade nestes dois últimos anos.Quero agradecer aos meus pais, Moises e Olga. Graças a vocês, eu sou quem sou; graças a vocês, estou tornando realidade meus sonhos, porque tudo começou com vocês, com seu esforço, seu sacrifício, seu exemplo, suas dicas, seu amor. Agradeço à minha irmã Karina e à minha sobrinha Salomé por sempre acreditar em mim, e pelo apoio e preocupação constante. A todos vocês, obrigado por me apoiar em tudo, vocês são minha inspiração, amo muito vocês.Não posso esquecer de agredecer a uma pessoa muito importante na minha vida, minha noiva María del Cisne. Minha Mashi, muito obrigado por tudo, pela sua ajuda, seu amor, seu apoio, por ser minha inspiração, minha força, minha luz. Apesar da distância física, você foi sempre o meu apoio, eu te amo muito.Gostaria também, agradecer ao meu orientador Prof. Ricardo Torres. Prof. Ricardo, durante este mestrado aprendi muito com você. Obrigado pelo apoio, pelas dicas, pela compreensão, pelo seu ensino. Estendo meu agradecimento a Pedro Mendes e Otávio Penatti pela ajuda e disponibilidade no desenvolvimento desta pesquisa, e aos professores da Unicamp que foram parte da minha formação durante este mestrado. Agradeço também a todos meus amigos que sempre esteveram me apoiando.Quero agradecer à Unicamp por ter aberto suas portas para realizar meus estudos, por ser uma universidade que sempre oferece o apoio necessário aos estudantes. Este trabalho também agradece a CAPES, CNPq (Processos # 484254/2012-0 e # 306580/2012-8), FAPESP, AMD e ao Instituto Virtual FAPESP-Microsoft (Processos #2013/50169-1 e # 2013/50155-0) pela viabilização da infraestrutura do Laboratório RECOD, onde a pesquisa foi desenvolvida. Finalmente, agradeço à "Secretaría de Educación Superior, Ciencia, Tecnología e Innovación" do Equador pelo apoio financeiro sem o qual eu não poderia ter realizado este mestrado. ResumoNa atualidade a maioria das técnicas para classificação de padrões na área de aprendizado de máquina foca a resolução de problemas de cenário fechado. Nestes problemas, o classificador é treinado com amostras de todas as classes que serão observadas na fase de teste. Em muitas situações, no entanto, amostras de classes desconhecidas, i.e., classes não encontradas na fase de treino, necessitam ser tratadas. Este tipo de cenário é conhecido como um problema de reconhecimento em cenário aberto. Neste trabalho, propomos métodos que combinam diferentes tipos de características para reconhecimento de objetos em cenário aberto. Os métodos são baseados no classificador Optimum-Path Forest (OPF) e utilizam Programação Genética (GP) e Contagem de Votos (Majority-Voting) como técnicas de combinação de evid...

show abstract

Evaluation of parameters for combining multiple textual sources of evidence for Web image retrieval using genetic programming

Cited by 5 publications

References 11 publications

A recent survey on the applications of genetic programming in image processing

A recent survey on the applications of genetic programming in image processing

A Soft Computing Approach for Selecting and Combining Spectral Bands

Técnicas de combinação de evidências para problemas de reconhecimento em cenário aberto

Contact Info

Product

Resources

About