Orientador: Ricardo da Silva Torres

Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação

Resumo: Descritores locais de imagens são amplamente utilizados em diversas aplicações de reconhecimento de objetos ou de cenas. Muitos descritores locais foram propostos na literatura para caracterizar pontos de interesse em imagens. Entre eles destacam-se: PCA-SIFT, SIFT, GLOH, SURF, DAISY. Pontos...

Resumo: Descritores locais de imagens são amplamente utilizados em diversas aplicações de reconhecimento de objetos ou de cenas. Muitos descritores locais foram propostos na literatura para caracterizar pontos de interesse em imagens. Entre eles destacam-se: PCA-SIFT, SIFT, GLOH, SURF, DAISY. Pontos de interesse em imagens são determinados por detectores. Exemplos de detectores são Harris-Affine, Hessian-Affine, Fast Hessian, MSER, DoG. O objetivo deste trabalho é investigar o uso de descritores locais no contexto de recuperação de imagens semi-réplicas por conteúdo, usando centenas de milhares de imagens. Recuperação de imagens por conteúdo consiste em achar imagens na base de dados usando o conteúdo de outra imagem como consulta, normalmente usando descritores. Imagens semi-réplicas são determinadas pela deformação de uma imagem original a partir de transformações geométricas, radiométricas ou oclusões. Devido ao grande úmero de pontos de interesse calculados sobre cada uma das centenas de milhares de imagens da base de dados, técnicas exaustivas de busca não são viáveis em larga escala. Assim, métodos, tais como Multicurves, LSH e Min-Hash, foram criados para melhorar a velocidade de recuperação de imagens semi-réplicas. Esse trabalho contribui para o estado da arte em dois aspectos principais. Primeiro, uma análise de descritores locais é realizada de modo a avaliar escalabilidade deles. Segundo, um sistema inovador por busca Bayesiana é proposto para diminuir significantemente a quantidade de pontos de interesse usados na recuperação de imagens semi-réplicas, sem perda significativa de acurácia

Abstract: Local image descriptors are widely used in various applications for recognition of objects or scenes. Many local descriptors have been proposed in the literature to characterize points of interest in images. Among them are: PCA-SIFT, SIFT, GLOH, SURF, DAISY. Points of interest in images...

Abstract: Local image descriptors are widely used in various applications for recognition of objects or scenes. Many local descriptors have been proposed in the literature to characterize points of interest in images. Among them are: PCA-SIFT, SIFT, GLOH, SURF, DAISY. Points of interest in images are determined by the detectors. Examples of detectors are Harris-Affine, Hessian-Affine, Fast Hessian, MSER, DoG. The objective of this work is to investigate the use of local descriptors in the context of content-based near-duplicate image retrieval, using hundreds of thousands of images. Content-based image retrieval aims at finding images in the database using the content of another image as a query, typically using descriptors. Near-duplicate images are determined by the deformation of an original image from geometric or radiometric transformations or occlusions. Due to the large number of points of interest computed on each of the hundreds of thousands images from database, exhaustive search techniques are not feasible on a large scale. Thus, methods such as Multicurves, LSH and Min-Hash, are designed to improve the speed of near-duplicate image retrieval. This work contributes to the state of the art in two major aspects. First, an analysis of local descriptors is carried out to evaluate the scalability of them. Second, an innovative system using Bayesian search is proposed to significantly decrease the amount of points of interest used in near-duplicate image retrieval, without significant loss of accuracy