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.Como trabalhos futuros pretende-se incrementar o modelocom o aumento do número de conceitos bem como aexpansão da consulta através do retorno de relevantes dadopelo usuário para aumentar ainda mais a precisão do rankinginicial. Pretende-se também realizar novos estudos e testescom respeito à segmentação de imagens para que o sistemafique ainda mais robusto e para que as regiões segmentadascaracterizem ainda mais as semânticas de alto nívelutilizadas por interpretadores humanos.ReferênciasFigura 6. Ranking obtido para a consulta:agua OU rochas.Conceito Precisãoágua 42%vegetação 100%nuvens 100%rochas 56%tigres 76%Tabela 1. Valores de precisão para a primeirapágina de imagens recuperadas com limiarigual a 50.8. Conclusões e Trabalhos FuturosNeste trabalho foi apresentado um sistema derecuperação de imagens baseado em semânticas de objetoscom o uso das redes neurais para dar a ligação entrecada região e seu respectivo conceito. Nota-se que o aprendizadoneural pode ser uma forma robusta de aquisiçãode conhecimentos principalmente para suprimir a subjetividadehumana e reduzir assim a discrepância entreo poder de descrição limitado das características debaixo nível e a descrição de alto nível feita por interpretadoreshumanos. Tal técnica fez uso das característicasde baixo nível (cor, forma e textura) como suportepara a formação de um vetor de indicação representadopelo conhecimento da rede neural adquirido por exemplospré-definidos no treinamento da mesma.Baseado na avaliação de desempenho da mesma assimcomo na análise visual dos resultados pode-se notar a habilidadedo método proposto para uma recuperação efetivadas imagens de acordo com os conceitos semânticos dados,demonstrando sua potencialidade.[1] S. Brandt. Use of shape features in content-based image retrieval.Master’s thesis, Helsinky University of Technology,Espoo, Finlândia, 1999.[2] A. Gupta and R. Jain. Visual information retrieval. Communicationsof the ACM, 40(5):70–79, 1997.[3] T. Hastie, R. Tibshirani, and J. Friedman. The Elements ofStatistical Learning: Data Mining, Inference, and Prediction.New York: Springer-Verlag, 2001.[4] S. Haykin. Redes Neurais: Princípio e Prática. 2 edition,2001.[5] Y. Liu, D. Zhang, G. Lu, and W.-Y. Ma. A survey of contentbasedimage retrieval with high-level semantics. PatternRecogn., 40(1):262–282, 2007.[6] X. Ma and D. Wang. Semantics modeling based image retrievalsystem using neural networks. In ICIP (1), pages1165–1168, 2005.[7] Y. Rui, T. Huang, and S. Chang. Image retrieval: currenttechniques, promising directions and open issues, Apr. 1999.[8] I. K. Sethi, I. L. Coman, and D. Stan. Mining associationrules between low-level image features and high-level concepts.Proceedings of the SPIE Data Mining and KnowledgeDiscovery, III:279–290, 2001.[9] R. Shi, H. Feng, T.-S. Chua, and C.-H. Lee. An adaptive imagecontent representation and segmentation approach to automaticimage annotation. In CIVR, pages 545–554, 2004.[10] R. Shi, H. Feng, T.-S. Chua, and C.-H. Lee. An adaptive imagecontent representation and segmentation approach to automaticimage annotation. International Conference on Imageand Video Retrieval (CIVR), pages 545–554, 2004.[11] M. Stricker and M. Orengo. Similarity of Color Images, volume2, pages 381–392. 1995.[12] M. J. Swain and D. H. Ballard. Color indexing. Int. J. Comput.Vision, 7(1):11–32, 1991.[13] S. Tong and E. Chang. Support vector machine active learningfor image retrieval. In MULTIMEDIA ’01: Proceedingsof the ninth ACM international conference on Multimedia,pages 107–118, New York, NY, USA, 2001. ACM Press.[14] C. Town and D. Sinclair. Content based image retrieval usingsemantic visual categories, 2000.[15] M. Tuceryan and A. K. Jain. Texture analysis. pages 235–276, 1993.[16] Q. Zhang and E. Izquierdo. Combining low-level featuresfor semantic inference in image retrieval. Eurassip - Journalon Advances in Signal Processing, April, 2007.339