Apolo

Atividade

109327 - Recuperação de Imagens por Conteúdo

Período da turma:

25/05/2024 a 21/06/2024

Selecione um horário para exibir no calendário:

Descrição:

Objetivos:
Apresentar as técnicas atuais mais importantes para a análise e comparação de imagens em grandes coleções, com o objetivo de recuperar imagens significativas para o usuário em um processo de busca. A comparação de imagens pode ser feita usando tanto o conteúdo visual intrínseco das imagens (comparação por conteúdo) quanto descrições e termos conotativos associados a elas por processos externos à imagem (comparação por descrição). Este módulo trata especialmente a comparação por conteúdo, sendo que a comparação por descrição é tratada como um caso de aplicação em outros módulos. A recuperação baseada em comparações do conteúdo é feita usando algoritmos automáticos de extração de características, as quais são então comparadas por funções que atribuem um valor de similaridade entre os pares de imagem. Estruturas de indexação podem ser associadas aos conjuntos de características extraídas, as quais são processadas para agilizar a busca em grandes coleções de imagens, para recuperar as imagens que respondem às consultas solicitadas.
Justificativa:
Quando as informações de interesse de uma aplicação envolvem grandes conjuntos de imagens, as técnicas tradicionais de recuperação de informação não são suficientes. Dados tradicionais são chamados aqui de escalares: eles são indivisíveis, e os processos de comparação são bem definidos e únicos: a decisão dois números, duas pequenas cadeias de caracteres, duas datas, dois valores monetários, etc. são iguais, maiores e assim por diante é imediata. Esses dados são bem atendidos pelos sistemas de armazenagem, tratamento e análise de dados. Já as aplicações modernas precisam de dados cuja comparação não é bem definida e nem única, tal como quando se trata de imagens, vídeos, textos longos, dados multidimensionais, séries temporais e sequências genéticas. Por exemplo, duas imagens podem ser comparadas segundo aspectos de cor, de textura, de forma, etc., e portanto comparar duas delas requer, além do par de valores propriamente dito (as duas imagens) e do operador de comparação, diversos outros parâmetros que definem como a comparação deve ser feita. Por isso, tais dados são chamados de complexos. Dado que dados complexos são cada vez mais usados nas aplicações modernas, e dentre eles as imagens têm certamente uma posição de destaque, torna-se cada vez mais importante que os profissionais de tecnologia da informação conheçam e dominem essas tecnologias.

Conteúdo:
Conceitos gerais: Objetos complexos, extratores de característica, funções de distância, espaços de busca, comparações por similaridade, índices.
Arquitetura geral para recuperação de imagens por conteúdo.
Operadores de comparação por similaridade, operadores de busca por similaridade: seleção e junção. Agrupamento por similaridade.
Funções de distância e coeficientes de similaridade. Espaços métricos.
Funções de distância para dados multidimensionais, conjuntos, sequências, grafos e expressões.
Extratores de características para imagem. Cores, textura, formas. Padrão MPEG-7. Extratores para domínios específicos - dados médicos.
Teoria dos Fractais. Dimensionalidades fractais, dimensionalidade de correlação.
Índices em espaços métricos.
Consultas por similaridade em SGBDs.

Bibliografia:
M. M. Deza and E. Deza - Encyclopedia of Distances, 4th ed. Heidelberg: Springer, 2016.
B. Manjunath, P. Salembier, and T. Sikora- Introduction to MPEG-7: Multimedia Content Description Interface, 2002.
P. M. d. A. Marques and R. M. Rangayyan - Content-based Retrieval of Medical Images: Landmarking, Indexing, and Relevance Feedback: Morgan \& Claypool Publishers, 2013.
P. M. d. Azevedo-Marques, et alli. - Medical Image Analysis and Informatics: Computer-Aided Diagnosis and Therapy, CRC Press, Taylor&Francis Group, 2017.
V. Tyagi, Content-Based Image Retrieval - Ideas, Influences, and Current Trends, 1 ed: Springer, 2017.
P. Zezula, G. Amato, V. Dohnal, and M. Batko, Similarity Search: The Metric Space Approach. New York, NY, USA: Springer New York, 2006.
D. P and P. M. Deshpande, Operators for Similarity Search: Semantics, Techniques and Usage Scenarios: Springer International Publishing, 2015.
M. Schroeder, Fractals, Chaos, Power Laws, 6 ed. New York: W. H. Freeman, 1991.

Carga Horária:

20 horas

Tipo:

Optativa

Vagas oferecidas:

245

Ministrantes:

Agma Juci Machado Traina
Caetano Traina Junior

voltar