Indexação automática de imagens na web: tendências e desafios no contexto Deep Learning

Autores/as

  • Luciana de Souza Gracioso Universidade Federal de São Carlos

DOI:

https://doi.org/10.26512/rici.v11.n2.2018.8342

Palabras clave:

deep learning, indización de imágenes, machine learning, recuperación de imágens en la web

Resumen

El objetivo de este estudio es investigar en qué medida las investigaciones en la Ciencia de la Información (CI) han aproximado a las de las técnicas de Deep Learning, siendo relacionadas la representación, descripción y recuperación de imágenes en la Web, y así, aferir de la plusvalía de estas investigaciones cuando aplicados a los métodos del área de la CI. A partir de una revisión integrativa de la bibliografía nacional e internacional contextualizada en el CI, los documentos recuperados se analizaron de acuerdo con los criterios de la revisión integrativa, identificando un conjunto de operaciones que podrían ser integrado en las metodologías de representación y descripción de imágenes desarrolladas y consolidadas en el campo de CI. Se concluye que todavía existe una brecha en la investigación de CI tanto a nivel nacional como internacional sobre el aprendizaje profundo y que los recursos de esta nueva estructura de programación pueden aproximarse a los métodos ya validados por el área.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Luciana de Souza Gracioso, Universidade Federal de São Carlos

Departamento de Ciência da Informação, São Carlos, SP, Brasil.

 

 

Citas

ANGUS, E.; THELWALL, M.; STUART, D. General patterns of tag usage among university groups in Flickr. Online Information Review, v. 32, n. 1, 2008.

AREL, I.; ROSE, D. C.; KARNOWSKI, T. P. Deep Machine Learning - A New Frontier in Artificial Intelligence Research. IEEE Computational Intelligence Magazine, v. 5, n. 4, p. 13”“18, 2010.

ÁVILA, S. E. F. DE. Extended bag-of-words formalism for image Classification. Belo Horizonte: Universitté Pierrre et Marie Curie/Universidade Federal de Minas Gerais, 2013. Tese de doutorado. Disponível em: http://www.bibliotecadigital.ufmg.br/dspace/handle/1843/ESSA-9ACJ4K

BEYEA, S.; NICOLL, L. H. Writing an integrative review. AORN journal, v. 67, n. 4, p. 877”“80, April 1998.

BEZERRA, E. Introdução à Aprendizagem Profunda. In: OGASAWARA, E.; VIEIRA, V. (Eds.). Tópicos em Gerenciamento de Dados e Informações. Porto Alegre: Sociedade Brasileira de Computação, 2016. p. 57”“86.

BROOME, M. E. Integrative literature reviews for the development of concepts. In: RODGERS, B. L.; KNAFL, K. A. (Eds.). Concept development in nursing: foundations, techniques and applications. Philadelphia, PA: W.B. Saunders, 2000. p. 231”“250.

CALSAVERINI, R. S. Aprendizado profundo: Princípios e uso. Tecnologia de Crédito, v. 13, n. 94, p. 6”“15, março 2016. Disponível em: https://ecitydoc.com/download/aprendizado-profundo-principios-e-uso_pdf

CARVALHO, M. C. Transfer schemes for deep learning in image classification. CarDissertação (mestrado) ”“ Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, 2015. Disponível em: www.ic.unicamp.br/~sandra/pdf/msc-2015-micael-carvalho.pdf

CECI, F. Um modelo baseado em casos e ontologia para apoio à tarefa intensiva em conhecimento de classificação com foco na análise de sentimentos. Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-graduação em Engenharia e Gestão do Conhecimento, Florianópolis, 2015. Disponível em: https://repositorio.ufsc.br/handle/123456789/158856

CHOI, Y.; RASMUSSEN, E. M. Searching for images: he analysis of users’ queries for image retrieval in American history. Journal of the American Society for Information Science and Technology, v. 54, p. 498-511, February 2003.

COOPER, H. M. The integrative research review: a systematic approach. Beverly Hills,CA: Sage Publications, 1984.

CORDEIRO, R. I. N. O delineamento de uma pesquisa em imagens e audiovisuais na Ciência da Informação: o “tagueamento” como quarta dimensão. Informação & Informação, Londrina, v. 23, n. 1, p. 6-30, mar. 2018. Disponível em: http://www.uel.br/revistas/uel/index.php/informacao/article/view/32581 Acesso em: 30 mar. 2018.

CORRIDONI, J. M.; DEL BIMBO, A.; PALA, P. Image retrieval by color semantics. Multimedia Systems, v. 7, n. 3, p. 175”“183, May 1999. Disponível em: https://dl.acm.org/citation.cfm?id=314286.314287

DEHAVEN, V. R. Machine learning: Future capabilities and their implications. Tucson: University of Arizona, 2017. Disponível em: https://arizona.openrepository.com/handle/10150/320027

DENG, L.; YU, D. Deep Learning: Methods and applications. Foundations and Trends in Signal Processing, v. 7, n. 3”“4, p. 197”“387, 2014.

EBESU, T.; FANG, Y. Neural Semantic Personalized Ranking for item cold-start recommendation. Information Retrieval Journal, v. 20, p. 109-131, April 2017.

FERGUS, R. Deep Learning Summer School: Convolutional Neural Networks and Computer Vision. New YorkVideoLectures.NET, 2016. Disponível em: http://videolectures.net/deeplearning2016_fergus_neural_networks/ Acesso em: 8 abr. 2017

GALDO, A. M. R.; VIERA, A. F. G.; RODRIGUES, R. N. S. Classificação social da informação na web: tecnologia, informação e gente. DataGramaZero, Rio de Janeiro, v. 10, n. 6, p. A03, 2009. Disponível em: http://www.brapci.inf.br/v/a/8337

GANONG, L. H. Integrative reviews of nursing research. Research in Nursing & Health, v. 10, n. 1, p. 1”“11, February 1987. Disponível em: https://www.ncbi.nlm.nih.gov/pubmed/3644366

GRACIOSO, L. S. Parâmetros teóricos para elaboração de instrumentos pragmáticos de representação e organização da informação na web: considerações preliminares sobre uma possível proposta metodológica. InCID: Revista de Ciência da Informação e Documentação, v. 1, n. 1, p. 138-158, 2010. Disponível em: http://www.brapci.inf.br/v/a/9503.

GRACIOSO, L. S.. Organização social de fotografias na Web: fundamentos, métodos e orientações. In: SOUZA; FUJITA; GRACIOSO. (Org.). A Imagem em Ciência da informação: reflexões teóricas, experi6encias práticas. Marília, SP: Cultura Acadêmica, 2014, v. 1, p. 207-207.

GUEDES, R. M.; MOURA, M. A.; DIAS, E. J. W. Indexação social e pensamento dialógico: reflexões teóricas; indización social y pensamiento dialógico: reflexiones teóricas. Informação & Informação, Londrina, v. 16, n. 3, p. 40-59, 201110.5433/1981-8920.2011v16n3p40. DOI:10.5433/1981-8920.2011v16n3p40 Disponível em: http://www.brapci.inf.br/v/a/12613

HJØRLAND, B. Concept theory. Journal of the American Society for Information Science and Technology, v. 60, n. 8, p. 1519”“1536, August 2009.

HOSCH, W. L. Machine learning: artificial intelligence. In: Encycloplaedia Britannica. Disponível em: https://www.britannica.com/technology/machine-learning Acesso em: 2 abr. 2017.

JENSEN, S. et al. Generation of topic evolution trees from heterogeneous bibliographic networks. Journal of Informetrics, v. 10, n. 2, p. 606”“621, 2016.

JOST, I. Aplicação de Deep Learning em dados refinados para mineração de opiniões. São Leopoldo: Universidade do Vale do Rio dos Sinos, 2016. Disponível em: http://www.repositorio.jesuita.org.br/handle/UNISINOS/3841?locale-attribute=en

KRIZHEVSKY, A.; SUTSKEVER, I.; HINTON, G. E. ImageNet classification with Deep Convolutional Neural Networks. Advances in Neural Information Processing Systems. Stateline: NIPS, p. 1097”“1105, 2012. Disponível em: https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks

LOPES, A. T. Facial expression recognition using deep learning: Convolutional neural network. Vitória: Universidade Federal do Espírito Santo, 2016. Disponível em: http://repositorio.ufes.br/handle/10/4301

LUCAS, E. DE O.; PINTO, A. L.; LARA, M. L. G. DE. Periódicos de Ciência da Informação nas bases de dados internacionais. DataGramaZero, Rio de Janeiro, v. 14, n. 1, 2013.

MATUSIAK, K. K. Towards user-centered indexing in digital image collections. OCLC Systems & Services, v. 22, n. 4, 2006.

MEJIAS, U. A. Tag literacy. 2005. Disponível em: http://blog.ulisesmejias. com/2005/04/26/tag-literacy/

MENDES, K. D. S.; SILVEIRA, R. C. DE C. P.; GALVÃO, C. M. Revisão integrativa: método de pesquisa para a incorporação de evidências na saúde e na enfermagem. Texto & Contexto Enfermagem, v. 17, n. 4, p. 758”“764, 2008. Disponível em: www.scielo.br/pdf/tce/v17n4/18.pdf

MITCHELL, T. M. The discipline of Machine Learning. Pittsburgh: [s.n.]. Disponível em: http://www-cgi.cs.cmu.edu/~tom/pubs/MachineLearningTR.pdf

PLANGPRASOPCHOK, A; LERMAN, K. Constructing folksonomies from user-specified relations on Flickr In: INTERNATIONAL WORLD WIDE WEB CONFERENCE, 18., New York, 2009. Proceedings New York: ACM Press. 2009.

REBELO, L. D. T. Avaliação automática do resultado estético do tratamento conservador do cancro da mama. Porto: Universidade do Porto, 2008. Disponível em: https://repositorio-aberto.up.pt/bitstream/10216/60215/2/Texto%20integral.pdf

SHAO, L. et al. Performance evaluation of deep feature learning for RGB-D image/video classification. Information Sciences, v. 385”“386, p. 266”“283, 2017.

SIGURBjÖRNSSON, B.; VAN ZWOL, R. Flickr tag recommendation based on collective knowledge. In: INTERNATIONAL CONFERENCE ON WORLD WIDE WEB, 17., 2016. Proceedings. New York: ACM Press, 2017.

SOUSA, L. M. A. E.; FUJITA, M. S. L.; GRACIOSO, L. S. (Org.). A Imagem em Ciência da informação: reflexões teóricas, experiências práticas. Marília, SP: Cultura acadêmica, 2014. v. 1. 232p.

STREHL, L. C. As folksonomias entre os conceitos e os pontos de acesso: as funções de descritores, citações e marcadores nos sistemas de recuperação da informação. Perspectivas em Ciência da Informação, Belo Horizonte, v. 16, n. 2, p. 101-114, 2011. Disponível em: http://www.brapci.inf.br/v/a/10263

TARTAROTTI, R. C. D. E.; DAL´EVEDOVE, P. R.; FUJITA, M. N. S. L. Política de indexação em ambiente colaborativo das folksonomias: uma reflexão preliminar. Encontro Nacional de Pesquisa em Ciência da Informação, v. 17, 2016. Disponível em: http://www.brapci.inf.br/index.php/article/view/0000021876/4aa140c1127a1cab0701addd352546d8

TRANT, J. Exploring the potential for social tagging and folksonomy in art museums: proof of concept. New Review of Hypermedia and Multimedia, v. 12, n. 1, 2006.

VALENZUELA, M. L. Machine learning, optimization, and anti-training with sacrificial data. Tucson: University of Arizona, 2017. Disponível em: https://arizona.openrepository.com/handle/10150/605111

VIGNOLI, R. G.; ALMEIDA, P. O. P.; CATARINO, M. E. Folksonomias como ferramenta da organização e representação da informação. Revista Digital de Biblioteconomia & Ciência da Informação, Campinas, v. 12, n. 2, p. 120-135, 2014. Disponível em: http://www.brapci.inf.br/v/a/14547 Acesso em: 2 abril 2018.

VITORINO, P. R. R. Detecção de pornografia infantil em imagens através de técnicas de aprendizado profundo. Brasília: Universidade de Brasília, 2016. Disponível em: http://repositorio.unb.br/handle/10482/22757?locale=fr

WALDRON, M. 10 Machine learning terms explained in simple English. Disponível em: http://www.datasciencecentral.com/profiles/blogs/10-machine-learning-terms-explained-in-simple-english Acesso em: 2 abr. 2017.

WEI, C.-H.; LI, C.-T.; WILSON, R. A Content-Based Approach to Medical Image Database Retrieval. In: Database modeling for industrial data management: Emerging technologies and applications. [s.l.] IGI Global, 2006. p. 258”“292.

WHITTEMORE, R.; KNAFL, K. The integrative review: updated methodology. Journal of Advanced Nursing, v. 52, n. 5, p. 546”“53, December 2005.

YANG, X. et al. Canonical correlation analysis networks for two-view image recognition. Information Sciences, v. 385”“386, p. 338”“352, 2017.

ZHANG, C. et al. Image classification by search with explicitly and implicitly semantic representations. Information Sciences, v. 376, p. 125”“135

Publicado

2018-05-28

Cómo citar

Gracioso, L. de S. (2018). Indexação automática de imagens na web: tendências e desafios no contexto Deep Learning. Revista Ibero-Americana De Ciência Da Informação, 11(2), 541–561. https://doi.org/10.26512/rici.v11.n2.2018.8342

Número

Sección

Artigos de revisão