Relevance feedback for Content-based Image Retrieval using deep learning

Xu, Heng; Wang, Junyi; Mao, Lei

doi:10.1109/icivc.2017.7984632

Cited by 3 publications

(2 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…To increase the precision of remote sensing image retrieval, retrieval feedback approaches are crucial [24]. The basic principle of the feedback technique is to correct the initially returned retrieval ranking [25]. The method includes pseudo-relevant feedback and display-relevant feedback.…”

Section: Image Retrieval Feedbackmentioning

confidence: 99%

Semantic Retrieval of Remote Sensing Images Based on the Bag-of-Words Association Mapping Method

Cai

Gong

et al. 2023

Sensors

View full text Add to dashboard Cite

With the increasing demand for remote sensing image applications, extracting the required images from a huge set of remote sensing images has become a hot topic. The previous retrieval methods cannot guarantee the efficiency, accuracy, and interpretability in the retrieval process. Therefore, we propose a bag-of-words association mapping method that can explain the semantic derivation process of remote sensing images. The method constructs associations between low-level features and high-level semantics through visual feature word packets. An improved FP-Growth method is proposed to achieve the construction of strong association rules to semantics. A feedback mechanism is established to improve the accuracy of subsequent retrievals by reducing the semantic probability of incorrect retrieval results. The public datasets AID and NWPU-RESISC45 were used to validate these experiments. The experimental results show that the average accuracies of the two datasets reach 87.5% and 90.8%, which are 22.5% and 20.3% higher than VGG16, and 17.6% and 15.6% higher than ResNet18, respectively. The experimental results were able to validate the effectiveness of our proposed method.

show abstract

Section: Image Retrieval Feedbackmentioning

confidence: 99%

Semantic Retrieval of Remote Sensing Images Based on the Bag-of-Words Association Mapping Method

Cai

Gong

et al. 2023

Sensors

View full text Add to dashboard Cite

show abstract

“…Em (YAN;HAUPTMANN;JIN, 2003;KHERFI;ZIOU;BERNARDI, 2002) é abordado o impacto da contribuição do uso da realimentação negativa e como utilizá-la em conjunto com a realimentação positiva. Verifica-se que o uso combinado dessas abordagens apresentam melhores resultados (XU; WANG; MAO, 2017;SU et al, 2003).…”

Section: Reformulação De Consultasunclassified

Desenvolvimento de Método de Acesso Métrico com Calibração de Distância Perceptual para Consultas por Similaridade de Imagens Médicas

Marcacini

View full text Add to dashboard Cite

Indexar e recuperar informações organizadas em bases de dados, de modo eficiente e preciso para responder às consultas solicitadas pelos usuários, são pilares do processo de engenharia e ciência de dados. No contexto médico, o tratamento e extração de semântica do dado complexo do tipo imagem, são fundamentais para tomadas de decisões. Esse tipo de tratamento demanda extrair a essência (características) desses dados e usualmente efetuar consultas por similaridade sobre tais características, em vez de usar o dado complexo em si. Os Métodos de Acesso Métrico (MAMs) foram desenvolvidos como ferramentas fundamentais para processar consultas por similaridade de modo eficiente apoiando os sistemas de gerenciamento de bases de dados. Os MAMs utilizam funções de distância fixas para realizar a construção da árvore métrica, o que por sua vez impede que um MAM consiga indexar os elementos utilizando duas ou mais funções de distância na mesma indexação. Em muitos casos, o uso de funções de distância tradicionais falha em oferecer respostas compatíveis com a percepção de distância dos usuários. Esta pesquisa em nível de Mestrado desenvolveu mecanismos para tratar esse problema, desenvolvendo uma abordagem que permita incluir funções de distâncias ponderadas para o processamento de consultas por similaridade em MAM. Um vetor de pesos corretamente aprendido, permite ponderar funções de distâncias e aprimorar a semântica dos dados, trazendo maior precisão ao processamento de consultas. Deve-se, para isso, utilizar recursos de Realimentação de Relevância (RR), visando capturar a percepção do usuário com relação à semelhança entre imagens. Este trabalho propõe dois métodos que tratam o aprimoramento do espaço de características e inclusão de funções de distância ponderadas no MAM Slim-Tree. O método Fusion Relevance Feedback (FRF) aplica um pré-processamento combinando extratores de características tradicionais e aprimorando o espaço de características utilizando RR, alcançando acurácias equivalentes e superiores em relação as técnicas de aprendizado profundo. O método Tuning Metrics Relevance Feedback (TMRF) infere vetores de pesos no MAM Slim-Tree e apresenta uma metodologia de reindexação que mantêm a estrutura otimizada com o espaço métrico aprimorando. As análises realizadas demonstram que o método TMRF aprimora o espaço métrico do conjunto de dados e mantém o MAM eficiente, sendo 70% mais rápida em relação a estratégias sequenciais, com ganhos expressivos em termos de acurácia de até 42% através de aprendizado por RR.

show abstract

Content-based Image Retrieval using Tesseract OCR Engine and Levenshtein Algorithm

Adjetey¹,

Adu-Manu²

2021

IJACSA

View full text Add to dashboard Cite

Image Retrieval Systems (IRSs) are applications that allow one to retrieve images saved at any location on a network. Most IRSs make use of reverse lookup to find images stored on the network based on image properties such as size, filename, title, color, texture, shape, and description. This paper provides a technique for obtaining full image document given that the user has some portions of the document under search. To demonstrate the reliability of the proposed technique, we designed a system to implement the algorithm. A combination of Optical Character Recognition (OCR) engine and an improved textmatching algorithm was used in the system implementation. The Tesseract OCR engine and Levenshtein Algorithm was integrated to perform the image search. The extracted text is compared to the text stored in the database. For example, a query result is returned when a significant ratio of 0.15 and above is obtained. The results showed a 100% successful retrieval of the appropriate file base on the match even when partial query images were submitted.

show abstract

Relevance feedback for Content-based Image Retrieval using deep learning

Cited by 3 publications

References 7 publications

Semantic Retrieval of Remote Sensing Images Based on the Bag-of-Words Association Mapping Method

Semantic Retrieval of Remote Sensing Images Based on the Bag-of-Words Association Mapping Method

Desenvolvimento de Método de Acesso Métrico com Calibração de Distância Perceptual para Consultas por Similaridade de Imagens Médicas

Content-based Image Retrieval using Tesseract OCR Engine and Levenshtein Algorithm

Contact Info

Product

Resources

About