Resumo: Em diversas aplicações de visão computacional e recuperação de informações, imagens são frequentemente representadas por vetores de características e modeladas como pontos de alta dimensão em um espaço Euclidiano. Comparações são realizadas por meio de uma distância entre os vetores de características correspondentes, considerando pares de imagens e frequentemente medidas pela distância Euclidiana. No entanto, a análise par-a-par é simplista, fornecendo apenas comparações restritas localmente e ignorando relacionamentos mais globais e a própria estrutura do conjunto de dados. Mais recentemente, iniciativas de pesquisa concentraram-se em outras etapas do processo de recuperação, que não estão diretamente relacionadas aos procedimentos de extração de características. Métodos têm sido propostos com o objetivo de ranquear as imagens considerando a estrutura intrínseca do conjunto de dados, substituindo as distâncias par-a-par. Esta palestra terá como foco principal os métodos de aprendizado não supervisionado baseados em abordagens de ranqueamento para tarefas de recuperação de imagens. Em geral, o principal objetivo de tais métodos é explorar a informação de similaridade codificada em rankings, com o objetivo de aumentar a eficácia de tarefas de recuperação. Atualmente, outras direções de pesquisa também têm sido investigadas, como o uso dos métodos em etapa de pré-processamento para tarefas de classificação e aplicações em outros cenários, como recuperação multimídia e de séries temporais.

Abstract: In several computer vision and retrieval applications, images are often represented by feature vectors and modeled as high dimensional points in a Euclidean space. Comparisons are computed through a distance between their correspondent feature vectors, considering pairs of images and often measured by the Euclidean distance. However, the pairwise analysis is simplistic since it provides only locally restrict comparisons and ignores more global relationships and the dataset structure itself. More recently, research initiatives have focused on other stages of the retrieval process, which are not directly related to low-level feature extraction procedures. Methods have been proposed with the aim of ranking images with respect to the intrinsic global dataset structure, replacing pairwise distance by more global measures capable of considering the dataset manifold. This talk will focus on unsupervised learning methods based on ranking approaches for image retrieval tasks. In general, the main objective of such methods is to exploit the similarity information encoded on rankings aiming at improving the effectiveness of image retrieval tasks. Currently, other research directions have also been investigated, as the use of the methods as a pre-processing step for classification tasks and the applications in other scenarios, as multimedia and time-series retrieval.

- Daniel Carlos Guimarães Pedronette: Possui graduação (UNESP, 2005), Mestrado e Doutorado em Ciência da Computação (UNICAMP, 2008 e 2012). Atualmente é Professor do Departamento de Estatística, Matemática Aplicada e Computação da UNESP. Também é Pesquisador Colaborador do Instituto de Computação (IC) da UNICAMP e Editor Associado do Periódico Pattern Recognition. Tem participado de projetos de pesquisa nacionais e internacionais. Foi professor visitante na Bangor University/UK em projeto financiado pela Royal Academy of Engineering. Tem atuado na coordenação de Projetos de Pesquisa FAPESP: Jovem Pesquisador (concluído), Microsoft PITE (vigente) e Jovem Pesquisador 2 (recém concedido). Tem experiência em Ciência da Computação, nas áreas de recuperação de informações, processamento e análise de imagens, bibliotecas digitais e computação de alto desempenho. Realiza pesquisa em várias dessas áreas, em especial em temas relacionados à recuperação de imagens por conteúdo. A pesquisa desenvolvida tem sido reconhecida por meio de diversos prêmios e indicações, em eventos nacionais e internacionais.