Realimentação de Relevância em Memória para Consultas por Similaridade em Espaços Métricos

• João Henrique V. do Carmo Universidade Federal de Rondônia (UNIR)
• Carolina Yukari Veludo Watanabe Universidade Federal de Rondônia (UNIR) https://orcid.org/0000-0002-6237-2323

DOI: https://doi.org/10.5753/sbbd.2026.249668

Resumo

Este artigo propõe um método de Realimentação de Relevância (RF) para sistemas de Recuperação de Imagens Baseada em Conteúdo (CBIR) indexados por árvores métricas, como a Slim-Tree. Diferentemente do método Turning Metrics Relevance Feedback (TMRF) — que opera sobre armazenamento secundário ao demandar reindexação completa do espaço métrico ou aplicação de distâncias ponderadas diretamente na estrutura da árvore, comprometendo a eficiência da poda e elevando o custo computacional —, a abordagem proposta realiza a RF inteiramente em memória primária, restringindo a busca de similaridade a um subconjunto de P elementos previamente carregados por meio de uma consulta inicial sem ponderação. Os resultados experimentais sobre a base COVID-19 Radiography Database, com 5 iterações de RF, demonstram redução de até 80% no tempo de execução das consultas frente ao TMRF. Além disso, observou-se ganho de até 8 pontos percentuais na precisão nos extratores avaliados, evidenciando um trade-off favorável entre eficiência computacional e qualidade da recuperação.

Palavras-chave: Recuperação de Imagens Baseada em Conteúdo, Realimentação de Relevância, Slim-Tree, Consultas por Similaridade

Referências

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

Chen, L., Gao, Y., Song, X., Li, Z., Zhu, Y., Miao, X., and Jensen, C. S. (2022). Indexing metric spaces for exact similarity search. ACM Computing Surveys, 55(6):1–39.

Dhaygude, M. A. and Kinariwala, S. (2022). A literature survey on content-based information retrieval. J. Comput. Technol. (JCT), 11:1–6.

Giakoumoglou, N. (2021). PyFeats: Open source software for image feature extraction. [link].

Haralick, R. M., Shanmugam, K., and Dinstein, I. H. (1973). Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics, (6):610–621.

Marcacini, R. M. et al. (2023). Calibração de distância em métodos de acesso métrico por meio de realimentação de relevância. In Proceedings of the 38th Brazilian Symposium on Databases (SBBD), pages 89–101.

Rahman, T. et al. (2022). COVID-19 Radiography Database. Kaggle. Disponível em: [link].

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.

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

Traina, C., Traina, A., Faloutsos, C., and Seeger, B. (2002). Fast indexing and visualization of metric data sets using slim-trees. IEEE Transactions on Knowledge and Data Engineering, 14(2):244–260.

Vishraj, R., Gupta, S., and Singh, S. (2022). A comprehensive review of content-based image retrieval systems using deep learning and hand-crafted features in medical imaging. Computers and Electrical Engineering, 104:108450.

Yin, C., Tang, J., Yuan, T., Xu, Z., and Wang, Y. (2021). Bridging the gap between semantic segmentation and instance segmentation. IEEE Transactions on Multimedia, 24:4183–4196.