@MASTERSTHESIS{ 2024:191018658,
 	title = {M?todos de descoberta adaptativa de subconsultas para busca  diversificada de imagens},
 	year = {2024},
 	url = "http://tede2.uefs.br:8080/handle/tede/1847",
 	abstract = "A busca de imagens por conte?do em uma cole??o de dados, seja atrav?s de mecanismos de m?dia social ou em ferramentas de busca livre na web, ? uma tarefa complexa onde resultados baseados apenas em similaridade frequentemente apresentam problemas de relev?ncia como itens pouco representativos e quase-duplicatas. Comumente, ferramentas de busca tentam realizar uma ampla cobertura baseada em subt?picos
 impl?citos da consulta para atender ao usu?rio de forma mais completa poss?vel. Neste sentido, a abordagem baseada em diversifica??o de conte?do utilizando algoritmos de agrupamento de dados tem sido bastante utilizada. Nesta abordagem, cada grupo identificado pelo algoritmo nos resultados da busca ? tratado como um
 subt?pico. Estes grupos s?o utilizados para extrair imagens representativas que juntas tragam diversidade ao resultado apresentado ao usu?rio. Contudo, a efic?cia da abordagem depende da escolha de um bom esquema de agrupamento, algo que est? diretamente ligado ao n?mero de grupos gerados pelo algoritmo, tarefa que tem sido um imenso desafio. Este trabalho tem como objetivo avaliar os poss?veis ganhos em
 termos de efic?cia na tarefa de recupera??o de imagens diversificadas, atrav?s da sele??o dos melhores esquemas de grupos gerados por algoritmos de agrupamento, buscando dinamicamente um n?mero de grupos ideal para cada consulta. Adicionalmente, pretende-se estender a literatura realizando a avalia??o experimental do m?todo DTRS para estimativa da qualidade dos agrupamentos, bem como desenvolver um m?todo auxiliar eficiente para determina??o de crit?rio de parada para algoritmos de agrupamento e, consequentemente, reduzir os custos computacionais do procedimento de diversifica??o de resultados. Para isso, conduzimos experimentos utilizando os algoritmos K-Medoids e Hier?rquico Aglomerativo, empregando diferentes m?todos de valida??o, explorando varia??es na quantidade de agrupamentos e adotando diferentes abordagens auxiliares para sele??o dos melhores esquemas de clusters, como o m?todo Elbow. Os resultados demonstraram ganhos em termos de efic?cia na recupera??o de imagens diversificadas e significativa redu??o do tempo de execu??o do sistema CBIR empregado neste trabalho.",
 	publisher = {Universidade Estadual de Feira de Santana},
 	scholl = {Programa de P?s-Gradua??o em Ci?ncia da Computa??o},
 	note = {DEPARTAMENTO DE CI?NCIAS EXATAS}
}