Image retrieval employing genetic dissimilarity weighting and feature space transformation functions

Abstract

We present two promising Relevance Feedback methods based on Genetic Algorithms used to enhance the performance on the task of image retrieval according to the user's interests. The first method adjusts the dissimilarity function by using weighting functions while the second method redefines the feature space by means of linear and nonlinear transformation functions. Experimental results on real datasets demonstrate that our methods are effective and the results show that the transformation approach outperforms the weighting approach, achieving a precision gain of up to 70%.

Uma abordagem baseada em técnicas de visualização de informações para avaliação de características de imagens e aplicações

“…A primeira forma é o processo de criar novas características a partir de transformações ou combinações do conjunto de características original. Os algoritmos de transformação de características tentam manter a maioria do conteúdo de informação intrínseca dos dados em uma dimensão muito menor, quando comparado à dimensão dos dados originais (Artero et al, 2006;Avalhais et al, 2012;Johansson e Johansson, 2009;Paiva et al, 2012;Yang et al, 2003).…”

“…• Frequentemente, nos sistemas CBIR (Avalhais et al, 2012;Rodrigues e Traina, 2005; Traina e Paulo, 2002) e de reconhecimento de padrões, a extração de características precede a seleção, que elimina os atributos mais irrelevantes segundo um determinado critério. Esse processo pode ser levado também no âmbito da visualização de imagens.…”

“…Definem-se os centros dos ramos como: {c 1 , c 2 , ..., c b }. Definindo a X como o conjunto geral de características e d a função de distância, o subconjunto de características T por relevância é definido pela função kNN (como define Avalhais et al (2012)) e a união dos centróides, nas equações 4.1 e 4.2.…”

“…• Novas formas de amostragem dos grupos representados pelos ramos devem ser testados. Introduzir o conceito de relevância e ranking, como nos trabalhos de Auffarth et al (2010); Avalhais et al (2012); Huang et al (1998); Luo (2004); Yu e Liu (2004). O conceito poderia ser abordado em cada grupo ou ramo da árvore, identificando os pontos com maior relevância, baseados em técnicas que envolvam funções de avaliação de ranking e relevância.…”

Transformação de espaços métricos otimizando a recuperação de imagens por conteúdo e avaliação por análise visual

“…O primeiro método, denominado WF, modifica a função de distância por intermédio de ponderação de atributos, utilizando funções de ponderação que permitem limitar o espaço de busca. O segundo método, denominado TF, realiza transformações no espaço original por meio de funções de transformação que visam capturar correlações não lineares sobre o espaço (Avalhais et al, 2012).…”