Evaluación de una Estrategia de Expansión Local Conservadora en Recuperación de Información Visual

• Autores: Sergio Navarro Ramírez, Rafael Muñoz Guillena, Fernando Llopis Pascual
• Localización: Procesamiento del lenguaje natural, ISSN 1135-5948, Nº. 42, 2009, págs. 31-38
• Idioma: español
• Títulos paralelos:
  • Evaluating a Conservative Automatic Local Expansion Strategy for Visual Information Retrieval
• Enlaces
  • Texto completo
• Resumen
  • español

    En este trabajo comparamos dos métodos de expansión de la pregunta en el área de la Recuperación de Información Visual (RIV): Probabilistic Relevance Feedback (PRF) y Local Context Analysis (LCA). La principal diferencia observada entre ambos métodos es que mientras PRF utiliza para la expansión las anotaciones correspondientes a las primeras imágenes de un ranking, LCA evita utilizar anotaciones corespondientes a imágenes no relevantes, situadas en esas primeras posiciones, mediante una heurística basada en coocurrencia. Los resultados muestran que LCA obtiene mejor precisión que PRF a medida que la precisión del ranking utilizado para la expansión es menor. Esta observación hace de LCA un método especialmente adecuado para su utilización con rankings de baja precisión como los devueltos por sistemas de RIV basados en el contenido de la imagen. Y así lo demuestran los buenos resultados obtenidos utilizando la variante multimodal de LCA, que es la única estrategia de expansión local que no daña a la diversidad de los resultados, y a su vez la que obtiene nuestros mejores resultados de precisión con el conjunto de consultas de la tarea ImageCLEFPhoto 2008 – 4° MAP y 5° P20 de las 1039 ejecuciones automáticas enviadas por los participantes –.

  • English

    In this paper we compare two query expansion methods in the Visual Information Retrieval (VIR) area: Probabilistic Relevance Feedback (PRF) and Local Context Analysis (LCA). The main difference observed between these methods is that while PRF assumes that annotations related to top-ranked images are relevant, LCA avoids to include terms from top-ranked non relevant images of the ranking using an heuristic based on coocurrence. The experiment results show us that LCA increases its precision over PRF for those rankings with lowest precision. Thus, LCA demonstrates to be specially suitable for low precision rankings as the ones returned by the VIR systems based on the content of the image. Indeed, our multimodal LCA variation is the only one local expansion strategy which do not hurt the diversity of the results and the one which reach our best precision results with the ImageCLEFPhoto 2008 task query set – 4° MAP and 5° P20 within the 1039 automatics runs submitted by the participants –.