Image Semantic Representation for Event Understanding

Rodrigues, Caroline Mazini; Pereira, Luiz Haroldo; Rocha, Anderson; Dias, Zanoni

doi:10.1109/wifs47025.2019.9035102

Cited by 7 publications

(4 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Figures S7 and S8 show the obtained results when training the networks with small quantities of original representative images, using cross-entropy and contrastive, respectively. In this case, we compare N (512, 128) and N (1024, 512) to the semi-supervised method ESS [1]. Even with reduced quantities of training images, the components combination N (512, 128) and N (1024, 512) produced the best MAP results, resulting in an improvement of more than 10 percentage points in the smallest set (with only 10 representative images).…”

Section: Experiments Ii: Varying Training Quantitiesmentioning

confidence: 99%

Manifold Learning for Real-World Event Understanding

Rodrigues

Soriano-Vargas

Lavi

et al. 2021

IEEE Trans.Inform.Forensic Secur.

Self Cite

View full text Add to dashboard Cite

Section: Experiments Ii: Varying Training Quantitiesmentioning

confidence: 99%

Manifold Learning for Real-World Event Understanding

Rodrigues

Soriano-Vargas

Lavi

et al. 2021

IEEE Trans.Inform.Forensic Secur.

Self Cite

View full text Add to dashboard Cite

“…Já as CNN podem ser aplicadas de variadas formas. Dois exemplos encontrados na literatura são: combinação de diferentes redes, sendo cada uma especializada em identifi car uma característica diferente (como pessoas, lugares, ou objetos), e a fi ltragem baseada na combinação desses aspectos (Rodrigues et al, 2019); e fi ltragem em três passos: uma rede fi ltra imagens que são inerentemente irrelevantes (e.g., desenhos), depois imagens duplicadas são removidas por Perceptual Hashing e, por fi m, as imagens restantes tem sua relevância avaliada por outra rede (Nguyen et al, 2017).…”

Section: Coleta E Filtragem De Dadosunclassified

A Inteligência Artificial e os desafios da Ciência Forense Digital no século XXI

et al. 2021

Self Cite

View full text Add to dashboard Cite

RESUMO A Ciência Forense Digital surgiu da necessidade de tratar problemas forenses na era digital. Seu mais recente desafio está relacionado ao surgimento das mídias sociais, intensificado pelos avanços da Inteligência Artificial. A produção massiva de dados nas mídias sociais tornou a análise forense mais complexa, especialmente pelo aperfeiçoamento de modelos computacionais capazes de gerar conteúdo artificial com alto realismo. Assim, tem-se a necessidade da aplicação de técnicas de Inteligência Artificial para tratar esse imenso volume de informação. Neste artigo, apresentamos desafios e oportunidades associados à aplicação dessas técnicas, além de fornecer exemplos de seu uso em situações reais. Discutimos os problemas que surgem em contextos sensíveis e como a comunidade científica tem abordado esses tópicos. Por fim, delineamos futuros caminhos de pesquisa a serem explorados.

show abstract

“…carried out using two pressure cooking bombs that caused explosions near the finishing line of the race. The attack killed three persons and injured several hundred others[22]. fire in a densely populated district in Dhaka, Bangladesh.…”

mentioning

confidence: 99%

Semi-Supervised Feature Embedding for Data Sanitization in Real-World Events

Lavi

Nascimento

Rocha

2021

ICASSP 2021 - 2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)

Self Cite

View full text Add to dashboard Cite

With the rapid growth of data sharing through social media networks, determining relevant data items concerning a particular subject becomes paramount. We address the issue of establishing which images represent an event of interest through a semi-supervised learning technique. The method learns consistent and shared features related to an event (from a small set of examples) to propagate them to an unlabeled set. We investigate the behavior of five image feature representations considering low-and high-level features and their combinations. We evaluate the effectiveness of the feature embedding approach on five collected datasets from real-world events.

show abstract

Image Semantic Representation for Event Understanding

Cited by 7 publications

References 12 publications

Manifold Learning for Real-World Event Understanding

Manifold Learning for Real-World Event Understanding

A Inteligência Artificial e os desafios da Ciência Forense Digital no século XXI

Semi-Supervised Feature Embedding for Data Sanitization in Real-World Events

Contact Info

Product

Resources

About