English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

espanolEl objetivo del trabajo presentado fue el desarrollo de un sistema de recuperacion de imagenes con base en su contenido, utilizando redes convolucionales siamesas y tripletas. Se utilizaron estas arquitecturas multiples para generar descriptores visuales, extrayendo informacion semantica de dos imagenes (siamesa) o tres imagenes (tripleta) a la vez. Posteriormente, se realizo un aprendizaje de similitud, codificando la distancia de estas siamesas o tripletas de descriptores visuales, cuyo almacenamiento no es necesario. Los resultados muestran que los esquemas con base en redes convolucionales extraen mayor cantidad de informacion semantica. Las arquitecturas multiples, aparte de extraer informacion semantica, mejoran la tasa de recuperacion de imagenes. Se concluye que las arquitecturas multiples solucionan los tres retos mas importantes de estos sistemas, como lo son la brecha semantica, el aprendizaje de similitud y el espacio de almacenamiento, los cuales no habian sido resueltos en trabajos anteriores. EnglishThe objective of this paper was the development of a content-based image retrieval system, using siamese and triplet convolutional neural networks. These networks were used to generate visual descriptors, extracting semantic information from two images (siamese) or three images (triplet) at the same time. Then, a similarity learning was done, encoding these two or three visual descriptors. In the proposed scheme the storage of descriptors is not required. The experimental results show that the schemes based on convolutional neural networks extract more semantic information. The siamese and triplet architectures, apart from extracting semantic information, improved the image retrieval rate. It is concluded that the proposed scheme solved three of the main challenges in these systems, such as, semantic gap, similarity learning and storage space, which have not been solved in the previous works.

Redes Convolucionales Siamesas y Tripletas para la Recuperación de Imágenes Similares en Contenido