| |
|
|
 | Acesso ao texto completo restrito à biblioteca da Embrapa Agricultura Digital. Para informações adicionais entre em contato com cnptia.biblioteca@embrapa.br. |
|
Registro Completo |
|
Biblioteca(s): |
Embrapa Agricultura Digital. |
|
Data corrente: |
04/12/2014 |
|
Data da última atualização: |
08/01/2020 |
|
Tipo da produção científica: |
Artigo em Periódico Indexado |
|
Autoria: |
CORDEIRO, R. L. F.; GUO, F.; HAVERKAMP, D. S.; HORNE, J. H.; HUGHES, E. K.; KIM, G.; ROMANI, L. A. S.; COLTRI, P. P.; SOUZA, T. T.; TRAINA, A. J. M.; TRAINA JÚNIOR, C.; FALOUTSOS, C. |
|
Afiliação: |
ROBSON L. F. CORDEIRO, USP; FAN GUO, Carnegie Mellon University; DONNA S. HAVERKAMP, Science Applications International Corporation, McLean; JAMES H. HORNE, Science Applications International Corporation, McLean; ELLEN K. HUGHES, Science Applications International Corporation, McLean; GUNHEE KIM, Carnegie Mellon University; LUCIANA ALVIM SANTOS ROMANI, CNPTIA; PRISCILA P. COLTRI, Unicamp; TAMIRES T. SOUZA, USP; AGMA J. M. TRAINA, USP; CAETANO TRAINA JÚNIOR, USP; CHRISTOS FALOUTSOS, Carnegie Mellon University. |
|
Título: |
QuMinS: fast and scalable querying, mining and summarizing multi-modal databases. |
|
Ano de publicação: |
2014 |
|
Fonte/Imprenta: |
Information Sciences, New York, v. 164, p. 211-229, Apr. 2014. |
|
DOI: |
10.1016/j.ins.2013.11.013 |
|
Idioma: |
Inglês |
|
Conteúdo: |
Given a large image set, in which very few images have labels, how to guess labels for the remaining majority? How to spot images that need brand new labels different from the predefined ones? How to summarize these data to route the user's attention to what really matters? Here we answer all these questions. Specifically, we propose QuMinS, a fast, scalable solution to two problems: (i) Low-labor labeling (LLL) - given an image set, very few images have labels, find the most appropriate labels for the rest; and (ii) Mining and attention routing - in the same setting, find clusters, the top-NO outlier images, and the NR images that best represent the data. Experiments on satellite images spanning up to 2.25 GB show that, contrasting to the state-of-the-art labeling techniques, QuMinS scales linearly on the data size, being up to 40 times faster than top competitors (GCap), still achieving better or equal accuracy, it spots images that potentially require unpredicted labels, and it works even with tiny initial label sets, i.e., nearly five examples. We also report a case study of our method?s practical usage to show that QuMinS is a viable tool for automatic coffee crop detection from remote sensing images. |
|
Palavras-Chave: |
Clusterização; Imagens de satélite; Low-labor labeling; Outlier detection; Query by example; Satellite imagery; Summarization. |
|
Thesaurus Nal: |
Cluster analysis. |
|
Categoria do assunto: |
X Pesquisa, Tecnologia e Engenharia |
|
Marc: |
LEADER 02265naa a2200361 a 4500
001 2001677
005 2020-01-08
008 2014 bl uuuu u00u1 u #d
024 7 $a10.1016/j.ins.2013.11.013$2DOI
100 1 $aCORDEIRO, R. L. F.
245 $aQuMinS$bfast and scalable querying, mining and summarizing multi-modal databases.$h[electronic resource]
260 $c2014
520 $aGiven a large image set, in which very few images have labels, how to guess labels for the remaining majority? How to spot images that need brand new labels different from the predefined ones? How to summarize these data to route the user's attention to what really matters? Here we answer all these questions. Specifically, we propose QuMinS, a fast, scalable solution to two problems: (i) Low-labor labeling (LLL) - given an image set, very few images have labels, find the most appropriate labels for the rest; and (ii) Mining and attention routing - in the same setting, find clusters, the top-NO outlier images, and the NR images that best represent the data. Experiments on satellite images spanning up to 2.25 GB show that, contrasting to the state-of-the-art labeling techniques, QuMinS scales linearly on the data size, being up to 40 times faster than top competitors (GCap), still achieving better or equal accuracy, it spots images that potentially require unpredicted labels, and it works even with tiny initial label sets, i.e., nearly five examples. We also report a case study of our method?s practical usage to show that QuMinS is a viable tool for automatic coffee crop detection from remote sensing images.
650 $aCluster analysis
653 $aClusterização
653 $aImagens de satélite
653 $aLow-labor labeling
653 $aOutlier detection
653 $aQuery by example
653 $aSatellite imagery
653 $aSummarization
700 1 $aGUO, F.
700 1 $aHAVERKAMP, D. S.
700 1 $aHORNE, J. H.
700 1 $aHUGHES, E. K.
700 1 $aKIM, G.
700 1 $aROMANI, L. A. S.
700 1 $aCOLTRI, P. P.
700 1 $aSOUZA, T. T.
700 1 $aTRAINA, A. J. M.
700 1 $aTRAINA JÚNIOR, C.
700 1 $aFALOUTSOS, C.
773 $tInformation Sciences, New York$gv. 164, p. 211-229, Apr. 2014.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Agricultura Digital (CNPTIA) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
|
| Registros recuperados : 25 | |
| 21. |  | PINTO, H. S.; ASSAD, E. D.; ZULLO JUNIOR, J.; EVANGELISTA, S. R. M.; OTAVIAN, A. F.; ÁVILA, A. M. H. de; EVANGELISTA, B. A.; MARIN, F. R.; MACEDO JUNIOR, C.; PELLEGRINO, G. Q.; COLTRI, P. P.; CORAL, G. Mitigação e adaptação. In: DECONTO, J. G. (Coord.). Aquecimento global e a nova geografia da produção agrícola no Brasil. Campinas: Embrapa Informática Agropecuária: Unicamp, 2008. p. 73-81.| Tipo: Capítulo em Livro Técnico-Científico |
| Biblioteca(s): Embrapa Agricultura Digital. |
|   |
| 22. | | GONÇALVES, R. R. do V.; ZULLO JUNIOR, J.; COLTRI, P. P.; AVILA, A. M. H. de; AMARAL, B. F. do; SOUSA, E. B. M. de; ROMANI, L. A. S. Relação entre o índice EVI e dados de precipitação nas áreas de plantio de cana-de-açúcar na região central do Brasil. In: SIMPÓSIO DE GEOTECNOLOGIAS NO PANTANAL, 4., 2012, Bonito, MS. Anais... Brasília, DF: Embrapa, 2012. p. 1054-1063. 1 CD-ROM. Geopantanal 2012.| Tipo: Artigo em Anais de Congresso |
| Biblioteca(s): Embrapa Agricultura Digital. |
|  |
| 23. | | CORDEIRO, R. L. F.; GUO, F.; HAVERKAMP, D. S.; HORNE, J. H.; HUGHES, E. K.; KIM, G.; ROMANI, L. A. S.; COLTRI, P. P.; SOUZA, T. T.; TRAINA, A. J. M.; TRAINA JÚNIOR, C.; FALOUTSOS, C. QuMinS: fast and scalable querying, mining and summarizing multi-modal databases. Information Sciences, New York, v. 164, p. 211-229, Apr. 2014.| Tipo: Artigo em Periódico Indexado | Circulação/Nível: A - 1 |
| Biblioteca(s): Embrapa Agricultura Digital. |
|  |
| 24. | | PINTO, H. S.; ASSAD, E. D.; ZULLO JUNIOR, J.; EVANGELISTA, S. R. M.; OTAVIAN, A. F.; ÁVILA, A. M. H. de; EVANGELISTA, B. A.; MARIN, F. R.; MACEDO JUNIOR, C.; PELLEGRINO, G. Q.; COLTRI, P. P.; CORAL, G. A nova geografia da produção agrícola no Brasil. In: DECONTO, J. G. (Coord.). Aquecimento global e a nova geografia da produção agrícola no Brasil. Campinas: Embrapa Informática Agropecuária: Unicamp, 2008. p. 24-71.| Tipo: Capítulo em Livro Técnico-Científico |
| Biblioteca(s): Embrapa Agricultura Digital. |
| |
| 25. | | PINTO, H. S.; ASSAD, E. D.; ZULLO JUNIOR, J.; EVANGELISTA, S. R. M.; OTAVIAN, A. F.; ÁVILA, A. M. H. de; EVANGELISTA, B. A.; MARIN, F. R.; MACEDO JUNIOR, C.; PELLEGRINO, G. Q.; COLTRI, P. P.; CORAL, G. O papel do agronegócio na economia brasileira. In: DECONTO, J. G. (Coord.). Aquecimento global e a nova geografia da produção agrícola no Brasil. Campinas: Embrapa Informática Agropecuária: Unicamp, 2008. p. 14-17.| Tipo: Capítulo em Livro Técnico-Científico |
| Biblioteca(s): Embrapa Agricultura Digital. |
| |
| Registros recuperados : 25 | |
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
