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 | Leticio, Gustavo | - |
Autor(es): dc.creator | Valem, Lucas Pascotti | - |
Autor(es): dc.creator | Lopes, Leonardo Tadeu | - |
Autor(es): dc.creator | Pedronette, Daniel Carlos Guimarães | - |
Data de aceite: dc.date.accessioned | 2025-08-21T19:07:28Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T19:07:28Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2023-10-25 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1145/3581783.3613466 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/310012 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/310012 | - |
Descrição: dc.description | The representation of multimedia content experienced tremendous advances in the last decades. Mainly supported by deep learning models, impressive results have been obtained. However, despite such advances in representation, the definition of similarity has been neglected. Effectively computing the similarity between representations remains a challenge. Traditional distance functions, such as the Euclidean distance, are not able to properly consider the relevant similarity information encoded in the dataset manifold. In fact, manifolds are essential to perception in many scenarios, such that exploiting the underlying structure of dataset manifolds plays a central role in multimedia content understanding and retrieval. In this paper, we present a framework for unsupervised distance learning which provides easy and uniform access to methods capable of considering the dataset manifold for redefining similarity. Such methods perform context-sensitive similarity learning based on more global measures, capable of improving the effectiveness of retrieval and machine learning tasks. The framework can use distance, similarity, or ranking information both as input and output and compute traditional retrieval effectiveness measures. Implemented as a wrapper in Python, the framework allows integration with a large number of Python libraries while keeping a back-end in C++ for efficiency. The paper also discusses diverse applications of the methods available in the pyUDLF framework, including image re-ranking, video retrieval, person re-ID, and pre-processing of distance measurements for clustering and classification. | - |
Descrição: dc.description | Petrobras | - |
Descrição: dc.description | São Paulo State University (UNESP), SP | - |
Descrição: dc.description | São Paulo State University (UNESP), SP | - |
Descrição: dc.description | Petrobras: 2023/00095-3 | - |
Formato: dc.format | 9680-9684 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | MM 2023 - Proceedings of the 31st ACM International Conference on Multimedia | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | distance learning | - |
Palavras-chave: dc.subject | framework | - |
Palavras-chave: dc.subject | multimedia retrieval | - |
Palavras-chave: dc.subject | unsupervised | - |
Título: dc.title | PyUDLF: A Python Framework for Unsupervised Distance Learning Tasks | - |
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: