Calibração de Distância em Métodos de Acesso Métrico por meio de Realimentação de Relevância

• Renato Gomes Marcacini Universidade de São Paulo http://orcid.org/0000-0002-0380-5483
• Willian Dener de Oliveira Universidade de São Paulo https://orcid.org/0000-0002-6752-2060
• Agma Juci Machado Traina Universidade de São Paulo https://orcid.org/0000-0003-4929-7258

DOI: https://doi.org/10.5753/sbbd.2023.231731

Resumo

Usualmente, os Métodos de Acesso Métrico (MAM) 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. Um vetor de pesos corretamente aprendido por Realimentação de Relevância (RR), permite ponderar funções de distâncias e aprimorar a semântica dos dados, trazendo maior precisão ao processamento de consultas. Este trabalho apresenta a abordagem denominada Tuning Metrics Relevance Feedback (TMRF), que incluem funções de distâncias ponderadas no MAM Slim-Tree, mantendo-a 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.

Palavras-chave: Métodos de acesso métrico, Realimentação de relevância, Função de distância ponderada, Calibração de distância

Referências

Ahmed, A. (2020). Implementing relevance feedback for content-based medical image retrieval. IEEE Access, 8:79969–79976.

Bressan, R. S., Bugatti, P. H., and Saito, P. T. (2019). Breast cancer diagnosis through active learning in content-based image retrieval. Neurocomputing, 357:1–10.

Chang, Y.-J., Kamataki, K., and Chen, T. (2009). Mean shift feature space warping for relevance feedback. In 2009 16th IEEE International Conference on Image Processing (ICIP), pages 1849–1852. IEEE.

Giakoumoglou, N. (2021). Pyfeats: Open source software for image feature extraction. https://github.com/giakou4/pyfeats.

Guo, S., Ji, Y., Zhang, C., Xu, C., and Xu, J. (2020). vcbir: A verifiable search engine for content-based image retrieval. In 2020 IEEE 36th International Conference on Data Engineering (ICDE), pages 1730–1733. IEEE.

Kim, D.-H. and Chung, C.-W. (2003). Qcluster: relevance feedback using adaptive clustering for content-based image retrieval. In Proceedings of the 2003 ACM SIGMOD international conference on Management of data, pages 599–610.

Kumaran, K., Papageorgiou, D. J., Takac, M., Lueg, L., and Sahinidis, N. V. (2021). Active metric learning for supervised classification. Computers & Chemical Engineering, 144:107132.

Li, Z., Zhang, X., Müller, H., and Zhang, S. (2018). Large-scale retrieval for medical image analytics: A comprehensive review. Medical image analysis, 43:66–84.

Mohanan, A. and Raju, S. (2017). A survey on different relevance feedback techniques in content based image retrieval. Int. Res. J. Eng. Technol, 4(2):582–585.

Rui, Y., Huang, T. S., Ortega, M., and Mehrotra, S. (1998). Relevance feedback: a power tool for interactive content-based image retrieval. IEEE Transactions on circuits and systems for video technology, 8(5):644–655.

Silva, M. P. d. (2009). Processamento de consultas por similaridade em imagens médicas visando à recuperação perceptual guiada pelo usuário. PhD thesis, Universidade de São Paulo.

Tian, D. (2018). A review on relevance feedback for content-based image retrieval. J. Inf. Hiding Multim. Signal Process., 9(1):108–119.

Tyagi, V. (2018). Understanding digital image processing. CRC Press.

Van der Maaten, L. and Hinton, G. (2008). Visualizing data using t-sne. Journal of machine learning research, 9(11).