III WVC 2007 - Iris.sel.eesc.sc.usp.br - USP

WVC'2007 - III Workshop de Visão Computacional, 22 a 24 de Outubro de 2007, São José do Rio Preto, SP.Recuperação de Imagens via Semânticas de Regiões utilizando Redes NeuraisEduardo F. Ribeiro 1 , Marcos A. Batista 3 , Ilmério R. da Silva 1 , Keiji Yamanaka 4 ,Célia A. Z. Barcelos 1,21 Universidade Federal de Uberlândia, Faculdade de Ciência da Computação, Uberlândia, MG, Brasil2 Universidade Federal de Uberlândia, Faculdade de Matemática, Uberlândia, MG, Brasil3 Universidade Federal de Goiás, Departamento de Ciência da Computação, Catalão, GO, Brasil4 Universidade Federal de Uberlândia, Faculdade de Engenharia Elétrica , Uberlândia, MG, Brasilufg.eduardo@gmail.com, marcos@catalao.ufg.br, ilmerio@facom.ufu.br, keiji@ufu.br, celiazb@ufu.brResumoNeste trabalho, uma forma de caracterização erecuperação de imagens é proposta utilizando as RedesNeurais Artificiais como instrumento para daràs características de baixo nível (cor, forma e textura)uma interpretação semântica baseada em classespré-estabelecidas. Tal semântica é adquirida duranteo treinamento da rede que tem a função de caracterizarcada região da imagem como sendo pertencente àuma classe (por exemplo, rocha, água, grama, etc.). Taisclasses serão baseadas em palavras chaves que descreverãoa imagem em alto nível e que serão utilizadas para aformulação de consultas.1. IntroduçãoA revolução tecnológica possibilitou, nos últimos anos, apopularização de dispositivos de captura de imagens comocâmeras e scanners digitais. Com isso, se torna visível o aumentodo número de imagens geradas por centros militarese sociais. Tais imagens podem perder sua utilidade se nãoforem adequadamente organizadas ou se a busca dentro dosbancos de dados não for realizada de maneira eficiente. Sistemasde recuperação de imagens baseada em conteúdo podemse tornar uma ferramenta bastante útil e eficiente pararesolver esse tipo de problema. Neles, as imagens são indexadaspelos atributos, também chamados de característicasde baixo nível, diretamente derivados do seu conteúdo visualcomo cor, forma, textura ou uma combinação destespara refletir a semântica inerente às imagens e tentar representaro conteúdo intrínseco das mesmas.Mesmo depois do considerável esforço nas pesquisasrealizadas durante a última década, alguns problemas relacionadosà recuperação de imagens baseada em conteúdoainda persistem e, atualmente, ainda não existem sistemastão robustos quanto os sistemas de busca baseados emdescrição textual. A principal dificuldade éogap-semânticoentre as concepções de alto nível usadas pelos seres humanospara entender o conteúdo de uma imagem e as característicasde baixo nível usadas na visão computacional[7]. Para um computador, a extração do conteúdo semânticode uma imagem é uma tarefa árdua, pois muitos objetosque possuem o mesmo conteúdo semântico podem sertotalmente diferentes na aparência visual e muitos objetosde diferentes categorias podem ser similares em suascaracterísticas [2]. Os humanos, por outro lado, possuemmuita informação, a priori, sobre diferentes objetos que éusada para reconhecê-los, ou seja, essa informação é obtidaatravés de experiências prévias, preferências pessoais, interessese o contexto em que as imagens são apresentadas.Este tipo de conhecimento é inerentemente difícil de se reproduzirem uma aplicação de visão computacional [5].Aciência da computação está enfatizando mais fortementeuma importante transformação que busca combinara computação realizada em ciência da computação coma computação observada na natureza que nos cerca. Devidoà percepção humana ser o ponto de referência paracomparação da eficiência dos sistemas de recuperação deimagens, o desenvolvimento de um “sistema ideal” se tornabastante desafiador. Assim como a visão humana éumprocesso inteligente, capaz de extrair padrões de imagensque as caracterizem e fazer inferências e generalizaçõesatravés desses padrões associando-os a um conhecimentoprévio, acredita-se que um sistema de recuperação de imagensefetivo deva ser dotado de tais capacidades, ou seja,deva possuir mecanismos inteligentes, capazes de fazer inferênciase/ou generalizações. Deste modo os atributos deuma rede neural, tais como aprender através de exemplos,generalizações redundantes e tolerância a falhas, proporcionamfortes incentivos para o uso de redes neurais comouma escolha apropriada para uma modelagem de um sistemade recuperação baseado em semânticas de alto nível.334