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.contributor | Wageningen University and Research | - |
Autor(es): dc.contributor | Norwegian University of Science and Technology | - |
Autor(es): dc.creator | Leticio, Gustavo Rosseto | - |
Autor(es): dc.creator | Kawai, Vinicius Sato | - |
Autor(es): dc.creator | Valem, Lucas Pascotti | - |
Autor(es): dc.creator | Pedronette, Daniel Carlos Guimarães | - |
Autor(es): dc.creator | da S. Torres, Ricardo | - |
Data de aceite: dc.date.accessioned | 2025-08-21T15:29:01Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T15:29:01Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2024-07-01 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1016/j.patrec.2024.04.022 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/305202 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/305202 | - |
Descrição: dc.description | Although studied for decades, constructing effective image retrieval remains an open problem in a wide range of relevant applications. Impressive advances have been made to represent image content, mainly supported by the development of Convolution Neural Networks (CNNs) and Transformer-based models. On the other hand, effectively computing the similarity between such representations is still challenging, especially in collections in which images are structured in manifolds. This paper introduces a novel solution to this problem based on dimensionality reduction techniques, often used for data visualization. The key idea consists in exploiting the spatial relationships defined by neighbor embedding data visualization methods, such as t-SNE and UMAP, to compute a more effective distance/similarity measure between images. Experiments were conducted on several widely-used datasets. Obtained results indicate that the proposed approach leads to significant gains in comparison to the original feature representations. Experiments also indicate competitive results in comparison with state-of-the-art image retrieval approaches. | - |
Descrição: dc.description | Microsoft Research | - |
Descrição: dc.description | Petrobras | - |
Descrição: dc.description | Department of Statistics Applied Mathematics and Computing State University of São Paulo (UNESP) | - |
Descrição: dc.description | Agricultural Biosystems Engineering and Wageningen Data Competence Center Wageningen University and Research | - |
Descrição: dc.description | Department of ICT and Natural Sciences Norwegian University of Science and Technology | - |
Descrição: dc.description | Department of Statistics Applied Mathematics and Computing State University of São Paulo (UNESP) | - |
Descrição: dc.description | Microsoft Research: #105116 | - |
Descrição: dc.description | Petrobras: #2023/00095-3 | - |
Formato: dc.format | 17-25 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Pattern Recognition Letters | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Data visualization | - |
Palavras-chave: dc.subject | Dimensionality reduction | - |
Palavras-chave: dc.subject | Image retrieval | - |
Palavras-chave: dc.subject | t-SNE | - |
Palavras-chave: dc.subject | UMAP | - |
Título: dc.title | Manifold information through neighbor embedding projection for image retrieval | - |
Tipo de arquivo: dc.type | livro 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: