
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
| Autor(es): dc.creator | de Almeida, Lucas Barbosa | - |
| Autor(es): dc.creator | Valem, Lucas Pascotti | - |
| Autor(es): dc.creator | Pedronette, Daniel Carlos Guimarães | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T22:39:07Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T22:39:07Z | - |
| Data de envio: dc.date.issued | 2023-07-29 | - |
| Data de envio: dc.date.issued | 2023-07-29 | - |
| Data de envio: dc.date.issued | 2021-12-31 | - |
| Fonte completa do material: dc.identifier | http://dx.doi.org/10.1109/ICIP46576.2022.9897911 | - |
| Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/248246 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/248246 | - |
| Descrição: dc.description | Despite the impressive advances obtained by supervised deep learning approaches on retrieval and classification tasks, how to acquire labeled data for training remains a challenging bottleneck. In this scenario, the need for developing more effective content-based retrieval approaches capable of taking advantage of multimodal information and advances in unsupervised learning becomes imperative. Based on such observations, we propose two novel approaches that combine Graph Convolutional Networks (GCNs) with rank-based manifold learning methods. The GCN models were trained in an unsupervised way, using the Deep Graph Infomax algorithm, and the proposed approaches employ recent rank-based manifold learning methods. Multimodal information is exploited through pre-trained CNNs via transfer learning for extracting audio, image, and video features. The proposed approaches were evaluated on three public action recognition datasets. High-effective results were obtained, reaching relative gains up to +29.44% of MAP compared to baseline approaches without GCNs. The experimental evaluation also considered classical and recent baselines in the literature. | - |
| Descrição: dc.description | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | - |
| Descrição: dc.description | Department of Statistics Applied Mathematics and Computing (DEMAC) São Paulo State University (UNESP) | - |
| Descrição: dc.description | Department of Statistics Applied Mathematics and Computing (DEMAC) São Paulo State University (UNESP) | - |
| Descrição: dc.description | FAPESP: #2018/15597-6 | - |
| Descrição: dc.description | FAPESP: #2020/03311-0 | - |
| Descrição: dc.description | FAPESP: #2020/11366-0 | - |
| Formato: dc.format | 2811-2815 | - |
| Idioma: dc.language | en | - |
| Relação: dc.relation | Proceedings - International Conference on Image Processing, ICIP | - |
| ???dc.source???: dc.source | Scopus | - |
| Palavras-chave: dc.subject | graph convolutional networks | - |
| Palavras-chave: dc.subject | manifold learning | - |
| Palavras-chave: dc.subject | rank aggregation | - |
| Palavras-chave: dc.subject | video multimodal retrieval | - |
| Título: dc.title | GRAPH CONVOLUTIONAL NETWORKS AND MANIFOLD RANKING FOR MULTIMODAL VIDEO RETRIEVAL | - |
| Tipo de arquivo: dc.type | aula digital | - |
| Aparece nas coleções: | Repositório Institucional - Unesp | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: