Diversificação de Imagens baseada em Agrupamento Adaptativo por Consulta

A medida que a tecnologia avanca, grandes transformacoes acontecem, sejam em âmbito puramente social ou tecnologico. Nesse contexto, observa-se que as imagens tem impactado de forma direta em muitas dessas transformacoes. As imagens sao utilizadas em contextos diversos, como em sistemas de medicina, de biodiversidade e bibliotecas digitais (Torres & Falcao, 2006). Desta forma, ao longo dos anos, muito tem sido feito para melhorar a eficacia com a qual essas imagens sao recuperadas e analisadas. Uma dessas tecnicas e a chamada recuperacao de imagens por conteudo (Veltkamp & Tanase, 2002). Essas tecnicas, basicamente, tentam recuperar imagens semelhantes a uma especificacao ou padrao definido pelo usuario (por exemplo, esboco de forma, uma imagem modelo) (Torres & Falcao, 2006). O processo de recuperacao de informacao exige que determinados aspectos sejam observados com cautela, como ambiguidade, redundância, relevância e diversidade. Alem disso, as imagens que devem ser exibidas para um determinado usuario sao as imagens consideradas relevantes, aquelas que oferecem informacoes uteis. Contudo, embora a utilizacao da relevância como criterio seja eficaz, tem-se observado que em certas situacoes o seu uso nao satisfaz por completo as necessidades de consulta que demandam diversidade visual, por exemplo, Chang et al (2016); Chang & Wang (2016); Fan et al (2008). Uma solucao comumente explorada para amenizar esse problema e a utilizacao de tecnicas de agrupamento de dados, que visa encontrar grupos de objetos que tenham certa semelhanca, sem levar em consideracao informacoes previas sobre os dados existentes. Todavia, muitos algoritmos demandam um valor de referencia para determinar o numero de grupos a serem gerados. A determinacao do numero de grupos e uma tarefa que exige esforco, pois envolve um conjunto de propriedades e caracteristicas das imagens. Trabalhos anteriores tentaram encontrar um numero fixo de grupos independente da consulta a ser executada (Ferreira et al, 2016); (Tollari, 2016), ao inves de utilizar metodos adaptativos. Em outros trabalhos, mesmo simulando-se o numero exato de clusters para cada consulta (com base no ground-truth), os resultados nao foram satisfatorios (Araujo, 2016). Diante disso, este estudo buscou formular uma abordagem que auxiliasse na deteccao automatica do numero de grupos, adaptavel a cada consulta.