Recuperação de Imagem por Conteúdo considerando a Percepção Visual Humana

Transcrição

1 Recuperação de Imagem por Conteúdo considerando a Percepção Visual Humana Autor: Robson de Carvalho Soares 1, Orientadora: Denise Guliato 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal do Uberlândia (UFU) Uberlândia MG Brasil robsoncsoares@gmail.com, guliato@ufu.br Nível: Mestrado Ano de ingresso no programa: 2009 Época esperada de conclusão: Fevereiro / 2012 Resumo. Com o volume crescente de imagens sendo capturadas nas mais diversas modalidades de aquisição, surge a necessidade de novas técnicas capazes de gerenciar e recuperar imagens de maneira eficiente. Assim, uma das técnicas que mais vem sendo utilizada na recuperação de imagens por conteúdo (CBIR - Content Based Image Retrieval) é conhecida como bag-of-features ou ainda bag-of-visual-words. Essa técnica esta baseada em um dicionário de palavras visuais que caracteriza uma coleção de imagens. Para cada imagem, é criado um histograma que indica com que frequência cada palavra visual deste dicionário ocorre na mesma. No entanto, na montagem deste histograma não é levado em consideração a importância da palavra para efeito discriminativo da consulta. Este trabalho propõe a utilização da percepção humana para enfatizar o que há de mais importante em uma determinada imagem e consequentemente permitir que sejam gerados histogramas com maior poder discriminativo. Palavras-Chave. bag-of-features, palavras visuais, codebook, dicionário, CBIR, Saliency Map

2 1. Introdução Com o volume crescente de imagens sendo capturadas nas mais diversas modalidades de aquisição, surge a necessidade de novas técnicas capazes de gerenciar e recuperar imagens de maneira eficiente [Fayyad and Uthurusamy 2002], [Razente 2009]. O acesso eficiente a imagens em grandes bases de dados é ainda mais problemático quando estas bases não estão organizadas [Rui et al. 1997], como é o caso das bases disponíveis na Web. Neste cenário, surge a necessidade da criação de técnicas cada vez mais eficazes para o armazenamento e recuperação de imagens. Assim, uma das técnicas que mais vem sendo utilizada na recuperação de imagens por conteúdo (CBIR - Content Based Image Retrieval) é conhecida como bag-of-features ou ainda bag-of-visual-words [Sivic and Zisserman 2003]. Essa abordagem baseou-se na técnica conhecida como bag-of-words [Dumais et al. 1998], [Baeza-Yates and Ribeiro-Neto 1999] a qual é aplicada em recuperação de informações textuais (RI - Information Retrieval). Essas técnicas tem como objetivo principal criar o chamado dicionário de palavras responsável pela categorização textual quando aplicado a recuperação textual e pela classificação da imagem quando aplicado a recuperação de imagem por conteúdo. Em bag-of-features, o dicionário de palavras também é chamado de dicionário de palavras visuais. Para construí-lo, utiliza-se descritores de características de pontos-chave extraídos das imagens. Os pontos-chave são saliências que contêm informações locais da imagem e são obtidos automaticamente por métodos de detecção de pontos-chave [Lindeberg 1993], [Lazebnik et al. 2003]. Uma vez detectados, os pontos-chave são representados por descritores como Invariant Feature Transform (SIFT) [Lowe 1999], Principal Component Analysis (PCA)- SIFT [Ke and Sukthankar 2004] e o Speeded Up Robust Features (SURF) [Bay et al. 2006]. Assim, no dicionário de palavras visuais, cada palavra visual está associada a um agrupamento de descritores de pontos-chave. Tipicamente, o método de agrupamento é o k-means [Mitchell 1997] e a distância utilizada é a Euclidiana. Cada palavra visual representa, portanto, um padrão local específico compartilhado por todos os descritores de um dado agrupamento. Uma vez definido o dicionário de palavras visuais, é possível associar a cada descritor de ponto-chave à palavra visual mais próxima. Alguns trabalhos recentes baseados em bagof-features propõem melhorar o tempo de atribuição de descritores individuais para palavras visuais [Nister and Stewenius 2006], [Philbin et al. 2007]. Cada imagem é, então, representada por um histograma que indica com que frequência cada palavra visual do dicionário ocorre na imagem (de forma análoga ao que se faz em recuperação de informações textuais) [Jiang et al. 2007]. Acesso rápido ao vetor de frequência é alcançado usando sistema de arquivos invertidos [Ribeiro-Neto et al. 1999]. A representação da imagem em termos do histograma é utilizada em tarefas de classificação ou de recuperação de imagens por conteúdo. A Figura 1 ilustra todo o processo para obtenção do dicionário de palavras visuais e para a descrição de imagens via histograma. 2. Objetivo Geral O objetivo geral deste trabalho é explorar o uso da estratégia baseada em bag-of-features para a recuperação de imagens por conteúdo. Neste estudo serão exploradas técnicas que extraem a percepção visual humana de uma determinada imagem com o intuito de melhorar a qualidade discrimitativa dos histogramas gerados; propor diferentes estratégias de ponderação de palavras visuais nas imagens; avaliar o uso das técnicas propostas para a identificação de versões de

3 Figura 1. Uma visa o geral do processo de criac a o de um diciona rio de palavras visuais. Ilustrac a o baseada no artigo [Yang et al. 2007] imagens; criar uma base de imagens de verso es. 3. Trabalhos Relacionados De acordo com a literatura podemos encontrar va rios trabalhos relacionados a te cnica bag-of-features. Os trabalhos mais cla ssicos foram propostos por Sivic e Zisserman [Sivic and Zisserman 2003] e Csurka et al. [Csurka et al. 2004]. Sivic e Zisserman apresentam a te cnica como uma abordagem para recuperar todas as ocorre ncias de um objeto em cenas ( frames ) de um determinado vı deo. Ja Csurka tem o objetivo de encontrar um processo que seja gene rico para lidar com diversos tipos de objetos. Ambos representam os objetos como um conjunto de descritores invariantes a escala, rotac a o, translac a o, iluminac a o e oclusa o parcial. Ale m disso, nos dois trabalhos, utiliza-se o SIFT como descritor de caracterı sticas das imagens, o diciona rio de palavras visuais e gerado aplicando-se o k-means e os histogramas de freque ncia das palavras visuais de cada imagem sa o montados com base no diciona rio gerado. Um dos primeiros trabalhos a considerar a utilizac a o da percepc a o visual humana foi em um processo de classificac a o de objetos proposto por [Moosmann et al. 2006]. Apesar de sua te cnica na o utilizar a abordagem bag-of-features, e aplicada a te cnica de Saliency Map [Itti et al. 1998] [Harel et al. 2007] justamente com o intuito de separar as regio es importantes da imagem. Durante a classificac a o o classificador e utilizado para montar o mapa de salie ncia da imagem analisada, ajudando a identificar partes da imagem como parte do objeto ou parte

4 do fundo da imagem. Os experimentos do trabalho mostraram ganhos na utilização da técnica de Saliency Map comparada com a não utilização. Sato e Katto [Sato and Katto 2010] propuseram a remoção de áreas desnecessárias nas imagens para melhorar a fase de aprendizagem em um processo de classificação. Para isso, utilizaram duas técnicas em conjunto com a abordagem de bag-of-features, Saliency Map e Seam Carving [Avidan and Shamir 2007]. Inicialmente a imagem é processada gerando o seu mapa de saliências. A técnica Seam Carving é aplicada na imagem removendo regiões desnecessárias na mesma de acordo com o mapa de saliência extraído. Por fim, na geração dos vetores de características, são considerados apenas os pontos-chave que fazem parte da área da imagem de maior interesse definida pelo mapa de saliência. Não é apresentada nehuma estratégia de selecionar ou ponderar os pontos chaves através do mapa de saliênica. A percepção visual humana também é abordada no trabalho de Shogo [Nakamoto and Toriu 2011]. Neste trabalho é investigada a eficácia dos mapas de saliência para reduzir os pontos-chaves extraídos das imagens de modo que somente realce uma determinada região de interesse da cena. Assim, são considerados apenas os pontos-chaves que fazem parte de alta saliência da imagem extraída por percentual de thresholding. 4. Metodologia e Estado da Pesquisa 4.1. Aspectos Teóricos Na literatura podemos perceber que a maioria dos trabalhos que utilizam a abordagem bag-of-features, como por exemplo, [Sivic and Zisserman 2003], [Csurka et al. 2004], [Batista et al. 2009], [Lopes et al. 2009], entre outros, apesar da diferença dos domínios de aplicação todos apresentam a mesma forma de extrair as características (na maioria das vezes utilizando o SIFT como descritor), gerar o dicioário de palavras visuais e montar o histograma de frequência dessas palavras nas imagens. Percebemos então, que o dicionário de palavras visuais gerado pela quantização dos pontos chaves obtidos pelo SIFT não leva em consideração uma diferenciação entre o background e foreground da imagem. Um dos motivos é a dificuldade de identificar qual parte da imagem pertence ao background e qual pertence ao foreground de uma maneira fácil, rápida e automática. Dessa forma, encontramos uma resposta para esta diferenciação em estudos da percepção visual humana. Uma técnica denominada Saliency Map [Itti et al., 1998] [Perona et al., 2007], quando aplicada a uma imagem é capaz de identificar o que é relevante na mesma de acordo com a percepção humana. Um exemplo da aplicação do Saliency Map é ilustrado na Figura 2. Este trabalho explora essa capacidade da técnica do Saliency Map em identificar, de forma rápida e automática, as partes mais relevantes e menos relevantes de uma determinada imagem com o intuito de melhorar a performance de recuperação de um determinado objeto ou cena. Para isso, são propostos dois métodos para a montagem e processamento dos histogramas de palavras visuais, a contrução de histogramas com o uso do mapa de saliências binário e a contrução de histogramas com o uso do mapa de saliências fuzzy. Abaixo segue o detalhamento de cada processo comparados com o processo convencional de construção de histogramas globais utilizados na literatura.

5 Figura 2. Exemplo da representação de imagens utilizando a técnica Saliency Map Construção de histogramas globais O histograma representa a frequência com que cada palavra visual do dicionário aparece em uma determinada imagem. Assim, todo descritor gerado da imagem é combinado com todas as palavras do dicionário através da distância Euclidiana para identificar qual palavra visual este descritor mais se assemelha e atualizar o histograma com a frequência dessa palavra na imagem. Durante a fase de recuperação, as imagens mais similares a uma determinada imagem de referência são obtidas através da combinação do histograma da imagem de referência com todos os outros histogramas das imagens da base utilizando a distância Cosseno Contrução de histogramas com o uso do mapa de saliências binário Conforme mostra a Figura 2, a técnica do Saliency Map gera imagens em tons de cinza, onde a parte mais clara da imagem representa o objeto de interesse (foreground) e a parte mais escura o fundo (background) da imagem. Assim, na estratégia binária, os descritores que representam o foreground e os descritores que representam o background da imagem são tratados separadamente. Dessa forma, para cada imagem são montados dois histogramas, o que contém a frequência das palavras que fazem parte do foreground da imagem e o que contém a frequência das palavras que fazem parte do background da imagem. Durante o processo de recuperação conseguimos ponderar os histogramas (foreground x background) selecionando qual parte da imagem tem mais relevância no contexto analisado. Para selecionar os descritores que fazem parte do foreground e do background da imagem, criamos um thresholding que é a média dos valores da imagem gerada pelo Saliency Map. A Figura 3 mostra os descritores do SIFT plotados da maneira convencional e considerando a estratégia binária utilizando duas técnicas de Saliency Map ITTI [Itti et al. 1998] e GBVS [Harel et al. 2007] Contrução de histogramas com o uso do mapa de saliências fuzzy Nesta estratégia, diferentemente da estratégia binária, ao invés de se criar um thresholding que separa as palavras contidas no background das palavras contidas no foreground da imagem, todas as palavras que ocorrem na imagem são inclusas nos histogramas (foreground e background) indicando o quanto ela é importante para o foreground e o quanto ela é importante para

6 Figura 3. Plotagem dos descritores do SIFT da forma convencional e utilizando a Estratégia Binária para duas técnicas de Saliency Map diferentes, ITTI e GBVS o background. Dessa forma, uma palavra na imagem pode fazer parte tanto do seu foreground quanto do seu background e assim será associado um fator de importância a essa palavra no histograma de palavras foreground e 1-fator no histograma de palavras background. Este fator corresponde ao valor normalizado no intervalo de [0,1] da imagem de tons de cinza gerada pelo Saliency Map e funcionam como um peso para ponderar a importância dos descritores SIFT extraídos da imagem Bases de dados Uma possível aplicação da proposta deste projeto é a identificação de versões de imagens. Esta identificação é de interesse da polícia federal para identificar violação de copyright, ou adulteração das imagens. Assim, como não encontramos uma base de dados pública nesse formato, criamos bases de imagens de versões. Nessas novas bases foram utilizadas imagens de duas bases públicas conhecidas: Caltech 256 ( Caltech256/). WANG ( Ao todo foram criadas 8 bases com um total de 4720 de imagens para que conseguíssemos avaliar o comportamento da nova proposta nos mais diversos contextos. Cada

7 base contém 10 classes de imagens diferentes. As classes utilizadas são: Africa, Ibis, Buses, Giraffe, Elephant, Motorbike, Horses, Dinossaurs, LightHouse e Teepe. A Figura 4 mostra uma imagem de cada classe. Abaixo segue o detalhamento e a metodologia utilizada para a criação de cada base. Figura 4. Imagens de consulta de cada classe da base de imagens Escala: O objetivo dessa base é avaliar o comportamento das estratégias propostas variando o tamanho do objeto de interesse na cena. A base possui 110 imagens, sendo 11 imagens por classe. Das 11 imagens, 1 é a imagem original, 5 são imagens onde o objeto de interesse diminui gradativamente em relação ao objeto de interesse da imagem original e 5 são imagens onde o objeto de interesse aumenta gradativamente em relação ao objeto de interesse da imagem original. A Figura 5 mostra algumas imagens de uma classe dessa base. Figura 5. Imagens de exemplo da Base Escala Rotação: O objetivo dessa base é avaliar o comportamento das estratégias propostas variando a rotação do objeto de interesse na cena. A base possui 390 imagens, sendo 39 imagens por classe. Das 39 imagens, 1 é a imagem original, 3 são as imagens rotacionadas por completo e 35 são as imagens onde o objeto de interesse é rotacionado na cena de 10 em 10 graus. A Figura 6 mostra algumas imagens de uma classe dessa base. Figura 6. Imagens de exemplo da Base Rotação

8 Translação: O objetivo dessa base é avaliar o comportamento das estratégias propostas variando a posição do objeto de interesse na cena. A base possui 70 imagens, sendo 7 imagens por classe. Das 7 imagens, 1 é a imagem original e as outras 6 variam a posição do objeto de interesse em esquerda superior, esquerda inferior, direita superior, direita inferior, centro superior e centro inferior. A Figura 7 mostra algumas imagens de uma classe dessa base. Figura 7. Imagens de exemplo da Base Translação Cor: O objetivo dessa base é avaliar o comportamento das estratégias propostas variando as cores da imagem. A base possui 550 imagens, sendo 55 imagens por classe. Das 55 imagens, 1 é a imagem original, 27 são geradas através da combinação dos valores 1.3, 1.5, 1.8 que são multiplicados ao RGB da imagem e as outras 27 são geradas através da combinação dos valores 0.3, 0.5, 0.8 que são multiplicados ao RGB da imagem. A Figura 8 mostra algumas imagens de uma classe dessa base. Figura 8. Imagens de exemplo da Base Cor Iluminação: O objetivo dessa base é avaliar o comportamento das estratégias propostas variando o contraste e o brilho das imagens. A base possui 370 imagens, sendo 37 imagens por classe. Das 37 imagens, 1 é a imagem original, 18 são as imagens que tiveram a variação de 0.1 a 0.9 para mais e para menos no brilho e 18 são as imagens que tiveram a variação de 0.1 a 0.9 para mais e para menos no contraste. A Figura 9 mostra algumas imagens de uma classe dessa base. Figura 9. Imagens de exemplo da Base Iluminação Fundo: O objetivo dessa base é avaliar o comportamento das estratégias propostas variando o fundo das imagens. A base possui 110 imagens, sendo 11 imagens por classe.

9 Das 11 imagens, 1 é a imagem original e 10 são imagens que tiveram o fundo da cena alterados. A Figura 10 mostra algumas imagens de uma classe dessa base. Figura 10. Imagens de exemplo da Base Fundo Híbrido: O objetivo dessa base é avaliar o comportamento das estratégias propostas juntando todas as variações realizada nas imagens das bases Escala, Rotação, Translação, Cor, Iluminação e Fundo. A base possui 1550 imagens, sendo 155 imagens por classe. Das 155 imagens, 1 é a imagem original e as restantes são das outras bases. A Figura 11 mostra algumas imagens de uma classe dessa base. Figura 11. Imagens de exemplo da Base Híbrido Cena: O objetivo dessa base é avaliar o comportamento das estratégias propostas quando se consulta pelo fundo da imagem. A base possui 1570 imagens, sendo 157 imagens por classe. Das 157 imagens, 1 é a imagem original, 1 é apenas a imagem da cena sem nenhum objeto, 1 é a imagem origem em que foi recortado o fundo a ser utilizado para montar as versões das imagens e as restantes são da base Híbrido. A Figura 12 mostra algumas imagens de uma classe dessa base. Figura 12. Imagens de exemplo da Base Cena 4.3. Estágio atual de desenvolvimento O projeto se encontra em fase de compilação dos experimentos e de escrita da dissertação de mestrado Experimentos Para as 8 bases de imagens criadas utilizou-se a mesma metodologia de experimentação. Foram extraídos os descritores de características das imagens utilizando o descritor SIFT. O processo

10 de agrupamento utilizado para a criação do dicionário de palavras visuais foi o k-means gerando um dicionário com 4000 palavras. As propostas analisadas e comparadas foram: Global: Processo convencional de geração do dicionário de palavras visual utilizando todos os descritores de características sem aperfeiçoamento na criação dos histogramas; SM Binário ITTI: Construção de histogramas com o uso do mapa de saliências binário utilizando a técnica de [Itti et al. 1998] para extrair os mapas de saliências das imagens. SM Binário GBVS: Construção de histogramas com o uso do mapa de saliências binário utilizando a técnica de [Harel et al. 2007] para extrair os mapas de saliências das imagens. SM Fuzzy ITTI: Construção de histogramas com o uso do mapa de saliências fuzzy utilizando a técnica de [Itti et al. 1998] para extrair os mapas de saliências das imagens. SM Fuzzy GBVS: Construção de histogramas com o uso do mapa de saliências fuzzy utilizando a técnica de [Harel et al. 2007] para extrair os mapas de saliências das imagens. CEDD (Color and edge directivity descriptor): Descritor de características de cor proposto por [Chatzichristofis et al. 2010]. Foi utilizada essa abordagem para comparar com as novas propostas e identificar o comportamento da utilização do descritor de cor nas bases de versões. Os resultados foram obtidos utilizando a ferramenta chamada LIRE ( e adequando a metodologia de experimentação utilizada. FCTH (Fuzzy color and texture histogram): Descritor de características de cor proposto por [Chatzichristofis et al. 2010]. Foi utilizada essa abordagem para comparar com as novas propostas e identificar o comportamento da utilização do descritor de cor nas bases de versões. Os resultados foram obtidos utilizando a ferramenta chamada LIRE ( e adequando a metodologia de experimentação utilizada. As imagens de consultas utilizadas nas bases de Cor, Iluminação, Escala, Rotação, Translação e Híbrido são apresentadas na Figura 4, ou seja, 1 imagem de consulta por classe. A base de Fundo utilizou 3 imagens de consulta por classe ao invés de 1 conforme os exemplos das imagens de consulta da classe Africa mostradas na Figura 13. Figura 13. Imagens de consulta da classe Africa da base Fundo Além disso, para a base Cena, foi utilizada 1 imagem de consulta por classe só que não as mesmas utilizadas nas outras bases. A Figura 14 mostra alguns exemplos. Essa mudança ajuda na validação da ponderação dos histogramas considerando background e foreground das imagens. Foram utilizadas duas medidas de avaliação dos experimentos, o MAP (Mean Average Precision) e o NDCG (Normalized Discounted Cumulative Gain). Além disso variou-se a quan-

11 Figura 14. Exemplo de Imagens de consulta da base Cena tidade de classes utilizadas durante a experimentação de 2, 4 e 10 classes. No Anexo segue os gráficos dos resultados obtidos de todos os experimentos realizados para cada base de imagens. 5. Cronograma do Trabalho até a Defesa As atividades previstas para o desenvolvimento deste trabalho até a defesa são: 1. Finalização e compilação dos experimentos; 2. Elaboração de artigo para submissão em congressos científicos e periódicos; 3. Elaboração e revisão da dissertação; O cronograma previsto para as atividades listadas acima é sintetizado na Tabela 1. Meses Atividades Jul/2011 X Ago/2011 X Set/2011 X Out/2011 X X X Nov/2011 X X Dez/2011 X Jan/2012 X Tabela 1. Cronograma de Atividades Referências Avidan, S. and Shamir, A. (2007). Seam carving for content-aware image resizing. In ACM Trans. Graph, page 10. SIGGRAPH. Baeza-Yates, R. A. and Ribeiro-Neto, B. (1999). Modern Information Retrieval. Addison- Wesley Longman Publishing Co., Inc., Boston, MA, USA. Batista, N. C., Lopes, A. P. B., and de A. Araujo, A. (2009). Detecting buildings in historical photographs using bag-of-keypoints. Computer Graphics and Image Processing, Brazilian Symposium on, 0: Bay, H., Tuytelaars, T., and Gool, L. V. (2006). Surf: Speeded up robust features. In In ECCV, pages Chatzichristofis, S. A., Zagoris, K., Boutalis, Y. S., and Papamarkos, N. (2010). Accurate image retrieval based on compact composite descriptors and relevance feedback information. IJPRAI, 24:

12 Csurka, G., Dance, C. R., Fan, L., Willamowski, J., and Bray, C. (2004). Visual categorization with bags of keypoints. In In Workshop on Statistical Learning in Computer Vision, ECCV, pages Dumais, S., Platt, J., Sahami, M., and Heckerman, D. (1998). Inductive learning algorithms and representations for text categorization. pages ACM Press. Fayyad, U. and Uthurusamy, R. (2002). Evolving data into mining solutions for insights. Commun. ACM, 45: Harel, J., Koch, C., and Perona, P. (2007). Graph-based visual saliency. In Advances in Neural Information Processing Systems 19, pages MIT Press. Itti, L., Koch, C., and Niebur, E. (1998). A model of saliency-based visual attention for rapid scene analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence, 20: Jiang, Y.-G., Ngo, C.-W., and Yang, J. (2007). Towards optimal bag-of-features for object categorization and semantic video retrieval. In Proceedings of ACM International Conference on Image and Video Retrieval. Ke, Y. and Sukthankar, R. (2004). Pca-sift: A more distinctive representation for local image descriptors. Computer Vision and Pattern Recognition, IEEE Computer Society Conference on, 2: Lazebnik, S., Schmid, C., and Ponce, J. (2003). Affine-invariant local descriptors and neighborhood statistics for texture recognition. In In Proc. ICCV, pages Lindeberg, T. (1993). Detecting salient blob-like image structures and their scales with a scalespace primal sketch: A method for focus-of-attention. International Journal of Computer Vision, 11: Lopes, A. P. B., de Avila, S. E. F., Peixoto, A. N. A., Oliveira, R. S., de M. Coelho, M., and de Albuquerque Araújo, A. (2009). Nude detection in video using bag-of-visual-features. In SIBGRAPI, pages IEEE Computer Society. Lowe, D. G. (1999). Object recognition from local scale-invariant features. Computer Vision, IEEE International Conference on, 2:1150. Mitchell, T. M. (1997). Machine Learning. McGraw-Hill, New York. Moosmann, F., Larlus, D., and Jurie, F. (2006). Learning saliency maps for object categorization. In ECCV International Workshop on The Representation and Use of Prior Knowledge in Vision. Springer. Nakamoto, S. and Toriu, T. (2011). Combination way of local properties, classifiers and saliency in bag-of-keypoints approach for generic object recognition. International Journal of Computer Science and Network Security, 11: Nister, D. and Stewenius, H. (2006). Scalable recognition with a vocabulary tree. Computer Vision and Pattern Recognition, IEEE Computer Society Conference on, 2: Philbin, J., Chum, O., Isard, M., Sivic, J., and Zisserman, A. (2007). Object retrieval with large vocabularies and fast spatial matching. Computer Vision and Pattern Recognition, IEEE Computer Society Conference on, 0:1 8. Razente, H. L. (2009). Adequando consultas por similaridade para reduzir a descontinuidade semântica na recuperação de imagens por conteúdo. Tese de doutorado, instituto de ciências matemáticas e de computação, ICMC-USP, São Carlos-SP.

13 Ribeiro-Neto, B., Moura, E. S., Neubert, M. S., and Ziviani, N. (1999). Efficient distributed algorithms to build inverted files. In Proceedings of the 22nd annual international ACM SIGIR conference on Research and development in information retrieval, SIGIR 99, pages , New York, NY, USA. ACM. Rui, Y., Huang, T. S., and fu Chang, S. (1997). Image retrieval: Past, present, and future. In Journal of Visual Communication and Image Representation, pages Sato, M. and Katto, J. (2010). Performance improvement of generic object recognition by using seam carving and saliency map. In The International Workshop on Advanced Image Technology (IWAIT). Sivic, J. and Zisserman, A. (2003). Video google: A text retrieval approach to object matching in videos. Computer Vision, IEEE International Conference on, 2:1470. Yang, J., Jiang, Y.-G., Hauptmann, A. G., and Ngo, C.-W. (2007). Evaluating bag-of-visualwords representations in scene classification. In Wang, J. Z., Boujemaa, N., Bimbo, A. D., and Li, J., editors, Multimedia Information Retrieval, pages ACM. 6. Anexo Figura 15. Gráfico de variação do MAP para todas as abordagens de acordo com o aumento do número de classes na Base Cor

14 Figura 16. Gráfico de variação do NDCG para todas as abordagens de acordo com o aumento do número de classes na Base Cor Figura 17. Gráfico de variação do MAP para todas as abordagens de acordo com o aumento do número de classes na Base Escala

15 Figura 18. Gráfico de variação do NDCG para todas as abordagens de acordo com o aumento do número de classes na Base Ecala Figura 19. Gráfico de variação do MAP para todas as abordagens de acordo com o aumento do número de classes na Base Fundo

16 Figura 20. Gráfico de variação do NDCG para todas as abordagens de acordo com o aumento do número de classes na Base Fundo Figura 21. Gráfico de variação do MAP para todas as abordagens de acordo com o aumento do número de classes na Base Híbrido

17 Figura 22. Gráfico de variação do NDCG para todas as abordagens de acordo com o aumento do número de classes na Base Híbrido Figura 23. Gráfico de variação do MAP para todas as abordagens de acordo com o aumento do número de classes na Base Iluminação

18 Figura 24. Gráfico de variação do NDCG para todas as abordagens de acordo com o aumento do número de classes na Base Iluminação Figura 25. Gráfico de variação do MAP para todas as abordagens de acordo com o aumento do número de classes na Base Rotação

19 Figura 26. Gráfico de variação do NDCG para todas as abordagens de acordo com o aumento do número de classes na Base Rotação Figura 27. Gráfico de variação do MAP para todas as abordagens de acordo com o aumento do número de classes na Base Translação

20 Figura 28. Gráfico de variação do NDCG para todas as abordagens de acordo com o aumento do número de classes na Base Translação Figura 29. Gráfico de variação do MAP para todas as abordagens de acordo com o aumento do número de classes na Base Cena