Resumo Este estudo apresenta uma estrutura de anotação de imagens multinível baseada no Algoritmo Firefly Aprimorado por Computação Quântica (QFA) que integra limiarização avançada de Otsu, extração de características baseada em regiões e classificação Bayesiana multilabel. As imagens são segmentadas em regiões significativas usando QFA para ajustar finamente a segmentação de Otsu com múltiplos limiares, superando limitações do Algoritmo Firefly tradicional (FA) como convergência prematura e ótimos locais. De cada região segmentada (blob), é extraído um vetor de características de 12 dimensões, capturando propriedades de cor (momentos de cor Lab) e forma (área, comprimento da borda, convexidade), proporcionando representações robustas para anotação. O QFA aprimora a precisão e eficiência da segmentação por meio de busca probabilística inspirada na mecânica quântica, permitindo saltos não locais e exploração mais ampla do espaço de limiares, superando as limitações da busca local do FA tradicional, garantindo regiões compactas e homogêneas e preservando bordas. Diferentemente dos métodos convencionais de predição em imagem inteira, a estrutura proposta realiza anotação por região, possibilitando rotulagem localizada ao associar conceitos semânticos a regiões específicas da imagem. Essa modelagem semântica em nível de região melhora a precisão da anotação ao capturar a diversidade intra-rótulo e fortalecer a discriminação inter-rótulo. Avaliada nos conjuntos de dados Corel A e Corel B, a estrutura proposta alcança superior segmentação (Dice = 0,84, Jaccard = 0,70), precisão em anotação (F1-score = 0,80, mAP = 0,84) e desempenho em ordenação de rótulos (LRAP = 0,87, NDCG = 0,89) em comparação com os métodos tradicionais FA e Otsu clássicos, demonstrando sua robustez para tarefas complexas de anotação multilabel de imagens.
Shaheen et al. (Ter,) estudaram esta questão.