In the era of big data and artificial intelligence, image recognition has become a challenge due to the vast amount of multimedia information generated in recent decades. Managing all this information is a challenge for traditional Content-Based Image Retrieval (CBIR) methods, because they are often limited by scalability issues, computational efficiency, or decreased recall in search and/or classification tasks. In this doctoral thesis, a research methodology for the efficient retrieval of images in large databases is presented. This methodology overcomes the limitations of traditional CBIR systems in terms of scalability, computational efficiency, and recall stability. The proposed methodology is based on three key contributions: • An advanced deep feature compression technique using Hadamard codes, which achieves a 75% reduction in memory usage without compromising image rendering quality. • A novel indexing scheme based on Hadamard matrices, which improves search speed by 20% and provides robustness against transformations and adversary attacks. • An algorithm for optimizing convolutional neural networks, with which the most valuable neurons are efficiently selected, and memory usage is substantially reduced. The experimental results demonstrate the superiority of the proposed methodology over the state of the art, not only because of the improvements in memory and speed usage, but also because, with this methodology, it is possible to maintain a constant and competitive recall in various evaluation scenarios. These contributions help in the development of more efficient, robust, and adaptable Artificial Intelligence systems to the challenges of big data.
En la era del big data y la inteligencia artificial, el reconocimiento de imágenes se ha convertido en un desafío por la vasta cantidad de información multimedia generada de las últimas décadas. Manejar toda esta información es un reto para los métodos tradicionales de Recuperación de Imágenes Basada en Contenido (Content-Based Image Retrieval, CBIR por sus siglas del inglés), porque a menudo se ven limitados por problemas de escalabilidad, eficiencia computacional o decremento del recall en tareas de búsqueda y/o clasificación. En esta tesis doctoral se presenta una metodología de investigación para la recuperación eficiente de imágenes en grandes bases de datos. Esta metodología supera las limitaciones de los sistemas CBIR tradicionales en términos de escalabilidad, eficiencia computacional y estabilidad del recall. La metodología propuesta se fundamenta en tres contribuciones clave: • Una técnica avanzada de compresión de características profundas utilizando códigos de Hadamard, con la cual se logra una reducción del 75% en el uso de memoria sin comprometer la calidad de la representación de las imágenes. • Un novedoso esquema de indexación basado en matrices de Hadamard, con el cual se mejora la velocidad de búsqueda en un 20% y proporciona robustez frente a transformaciones y ataques adversarios. • Un algoritmo de optimización de redes neuronales convolucionales, con el cual se seleccionan eficientemente las neuronas más valiosas, y se reduce substancialmente el uso de memoria. Los resultados experimentales demuestran la superioridad de la metodología propuesta frente al estado del arte, no solo por las mejoras en uso de memoria y velocidad, sino también porque, con esta metodología, se logra mantener un recall constante y competitivo en diversos escenarios de evaluación. Estas contribuciones ayudan en el desarrollo de sistemas de Inteligencia Artificial más eficientes, robustos y adaptables a los desafíos del big data.
