Arquitectura de microservicios para extracción de características en sistemas de recuperación de imágenes basada en contenido

Introducción— Los sistemas de recuperación de imágenes basada en contenido permiten a los usuarios, por medio de una imagen de referencia, recuperar aquellas similares a su consulta. En la concepción de dichos sistemas para la Web, deben ser considerados aspectos relacionados al alto volumen de imág...

Full description

Autores:: Roa-Martínez, Sandra Milena
Ruiz Velasco, Andrés Felipe

Tipo de recurso:: Article of journal

Fecha de publicación:: 2020

Institución:: Corporación Universidad de la Costa

Repositorio:: REDICUC - Repositorio CUC

Idioma:: spa

id	RCUC2_01195f4a03c8c91a6005d71a0c520b5d
oai_identifier_str	oai:repositorio.cuc.edu.co:11323/12299
network_acronym_str	RCUC2
network_name_str	REDICUC - Repositorio CUC
repository_id_str
dc.title.spa.fl_str_mv	Arquitectura de microservicios para extracción de características en sistemas de recuperación de imágenes basada en contenido
dc.title.translated.eng.fl_str_mv	Microservices architecture for feature extraction in content-based image retrieval systems
title	Arquitectura de microservicios para extracción de características en sistemas de recuperación de imágenes basada en contenido
spellingShingle	Arquitectura de microservicios para extracción de características en sistemas de recuperación de imágenes basada en contenido CBIR architecture microservices feature extraction Google Cloud image retrieval arquitectura CBIR microservicios extracción de características Google Cloud recuperación de imágenes
title_short	Arquitectura de microservicios para extracción de características en sistemas de recuperación de imágenes basada en contenido
title_full	Arquitectura de microservicios para extracción de características en sistemas de recuperación de imágenes basada en contenido
title_fullStr	Arquitectura de microservicios para extracción de características en sistemas de recuperación de imágenes basada en contenido
title_full_unstemmed	Arquitectura de microservicios para extracción de características en sistemas de recuperación de imágenes basada en contenido
title_sort	Arquitectura de microservicios para extracción de características en sistemas de recuperación de imágenes basada en contenido
dc.creator.fl_str_mv	Roa-Martínez, Sandra Milena Ruiz Velasco, Andrés Felipe
dc.contributor.author.spa.fl_str_mv	Roa-Martínez, Sandra Milena Ruiz Velasco, Andrés Felipe
dc.subject.eng.fl_str_mv	CBIR architecture microservices feature extraction Google Cloud image retrieval
topic	CBIR architecture microservices feature extraction Google Cloud image retrieval arquitectura CBIR microservicios extracción de características Google Cloud recuperación de imágenes
dc.subject.spa.fl_str_mv	arquitectura CBIR microservicios extracción de características Google Cloud recuperación de imágenes
description	Introducción— Los sistemas de recuperación de imágenes basada en contenido permiten a los usuarios, por medio de una imagen de referencia, recuperar aquellas similares a su consulta. En la concepción de dichos sistemas para la Web, deben ser considerados aspectos relacionados al alto volumen de imágenes digitales existentes, que generan problemas durante su procesamiento en tiempo real, específicamente en la extracción de sus características visuales, objeto de esta investigación. Objetivos— Contribuir en la mitigación de los problemas de escalabilidad, elasticidad, disponibilidad y confiabilidad presentada por el módulo de extracción de sus características visuales de un sistema de recuperación de imágenes basada en contenido. Metodología— Se realizó la definición, diseño e implementación de una propuesta de arquitectura basada en microservicios y posteriormente la ejecución de pruebas mediante experimentos basados en simulación para la evaluación de dicha propuesta, presentando el respectivo análisis y discusión de los resultados entregados por el tablero de indicadores de la consola de Google Cloud. Resultados— Una arquitectura basada en microservicios donde cada algoritmo/técnica de extracción de características de una imagen digital fue implementada como un microservicio bajo la infraestructura de Google Cloud. Conclusiones— Esta propuesta arquitectural soportada en microservicios favorece su escalabilidad automática durante la extracción de características de grandes volúmenes de imágenes y puede ser usada en el diseño y construcción de otros módulos de un sistema de recuperación de imágenes basada en contenido.
publishDate	2020
dc.date.accessioned.none.fl_str_mv	2020-04-30 00:00:00 2024-04-09T20:21:20Z
dc.date.available.none.fl_str_mv	2020-04-30 00:00:00 2024-04-09T20:21:20Z
dc.date.issued.none.fl_str_mv	2020-04-30
dc.type.spa.fl_str_mv	Artículo de revista
dc.type.coar.spa.fl_str_mv	http://purl.org/coar/resource_type/c_6501 http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.content.spa.fl_str_mv	Text
dc.type.driver.spa.fl_str_mv	info:eu-repo/semantics/article
dc.type.local.eng.fl_str_mv	Journal article
dc.type.redcol.spa.fl_str_mv	http://purl.org/redcol/resource_type/ART
dc.type.version.spa.fl_str_mv	info:eu-repo/semantics/publishedVersion
dc.type.coarversion.spa.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
format	http://purl.org/coar/resource_type/c_6501
status_str	publishedVersion
dc.identifier.issn.none.fl_str_mv	0122-6517
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/11323/12299
dc.identifier.url.none.fl_str_mv	https://doi.org/10.17981/ingecuc.16.2.2020.15
dc.identifier.doi.none.fl_str_mv	10.17981/ingecuc.16.2.2020.15
dc.identifier.eissn.none.fl_str_mv	2382-4700
identifier_str_mv	0122-6517 10.17981/ingecuc.16.2.2020.15 2382-4700
url	https://hdl.handle.net/11323/12299 https://doi.org/10.17981/ingecuc.16.2.2020.15
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.ispartofjournal.spa.fl_str_mv	Inge Cuc
dc.relation.references.spa.fl_str_mv	M. Becker, S. Lehrig & S. Becker, “Systematically deriving quality metrics for cloud computing systems,” presented at 6th ACM/SPEC Int Conf Perform Eng, ICPE 2015, TX, USA, pp. 169–174, 31 Jan-4 Feb. 2015. https://doi.org/10.1145/2668930.2688043 M. Nabi, M. Toeroe & F. Khendek, “Availability in the cloud: State of the art,” J Netw Comput Appl, vol. 60, pp. 54–67, Jan. 2016. https://doi.org/10.1016/j.jnca.2015.11.014 X. Wang & J. Grabowski, “A Reliability Assessment Framework for Cloud Applications,” presented at Cloud Computing 2015, IARIA, Nnc., Fr., 2015. Available: http://www.thinkmind.org/index.php?view=article&articleid=cloud_computing_2015_6_10_20143 A. Latif, A. Rasheed, U. Sajid, J. Ahmed, N. Ali, N. I. Ratyal, B. Zafar, S. H. Dar, M. Sajid & T. Khalil, “Content-based image retrieval and feature extraction: A comprehensive review,” Math Probl Eng, vol. 4, pp. 121, 2019. https://doi.org/10.1155/2019/9658350 L. Kaliciak, H. Myrhaug & A. Goker, “Content-Based Image Retrieval in Augmented Reality,” presented at 8th International Symposium on Ambient Intelligence, ISAmI 2017, PO, PT, pp. 95–103, 21-23 Jun. 017. https://doi.org/10.1007/978-3-319-61118-1 M. Meena, V. A. Bharadi & K. Vartak, “Hybrid Wavelet Based CBIR System Using Software as a Service (SaaS) Model on Public Cloud,” Procedia Comput Sci, vol. 79, pp. 278–286, 2016. https://doi.org/10.1016/j.procs.2016.03.036 M. B. Suresh & B. M. Naik, “A novel scheme for extracting shape and texture features using CBIR approach,” Int Conf Energy Commun Data Anal Soft Comput ICECDS 2017, pp. 3399–3404, Jun. 21, 2018. https://doi.org/10.1109/ICECDS.2017.8390091 J. Pradhan, S. Kumar, A. K. Pal & H. Banka, “A hierarchical CBIR framework using adaptive tetrolet transform and novel histograms from color and shape features,” Digit Signal Process A Rev J, vol. 82, pp. 258–281, Nov. 2018. https://doi.org/10.1016/j.dsp.2018.07.016 A. B. Raut, “NOSQL Database and Its Comparison with RDBMS,” Int J Comput Intell Res, vol. 13, núm. 7, pp. 1645–1651, 2017. M. Villamizar, O. Garcés, H. Castro, M. Verano, L. Salamanca & S. Gil, “Evaluating the Monolithic and the Microservice Architecture Pattern to Deploy Web Applications in the Cloud,” presented at 10th Comput Colomb Conf, 10CCC, Bog., Co., 21-25 Sep. 2015. https://doi.org/10.1109/ColumbianCC.2015.7333476 R. Grycuk, P. Najgebauer, R. Nowicki & R. Scherer, “Multilayer Architecture for Content-based Image Retrieval Systems,” presented at IEEE 12th Conf Serv Comput Appl, SOCA, Khh., Tw., 18-21 Nov. 2019. https://doi.org/10.1109/SOCA.2019.00025 S. Easwaramoorthy, U. Moorthy, C. A. Kumar, S. B. Bhushan & V. Sadagopan, “Content Based Image Retrieval with Enhanced Privacy in Cloud Using Apache Spark,” Commun Comput Inf Sci, vol. 804, pp. 114–128, Feb. 2018. https://doi.org/10.1007/978-981-10-8603-8_10 M. Meena, A. R. Singh & V. A. Bharadi, “Architecture for Software as a Service (SaaS) Model of CBIR on Hybrid Cloud of Microsoft Azure,” Procedia Comput Sci, vol. 79, pp. 569–578, 2016. https://doi.org/10.1016/j.procs.2016.03.072 A. Rahman, E. Winarko, y M. E. Wibowo, “Mobile content based image retrieval architectures,” presented at Int Conf Electr Eng Comput Sci Informatics, IEEE, Yo. Id., pp. 208–211, 19-21 Sep. 2017. https://doi.org/10.1109/EECSI.2017.8239111 A. Balalaie, A. Heydarnoori & P. Jamshidi, “Microservices Architecture Enables DevOps: Migration to a Cloud-Native Architecture,” IEEE Softw, vol. 33, núm. 3, pp. 42–52, Mar. 2016. https://doi.org/10.1109/MS.2016.64 T. Cerny, M. J. Donahoo & J. Pechanec, “Disambiguation and comparison of SOA, microservices and self-contained systems,”presented at Res Adapt Converg Syst, RACS '17, Krk., Pol., pp. 228–235, Sep. 2017. https://doi.org/10.1145/3129676.3129682 Google LLC, “Cloud Functions,” Cloud.google, [online , 2017. Available: https://cloud.google.com/functions/ Google LLC, “Cloud Functions,” Cloud.google, [online , 2020. Available: https://cloud.google.com/functions/ Google LLC, “Cloud Storage,” Cloud.google, [online , 2019. Available: https://cloud.google.com/storage/?hl=es Google LLC, “Pub/Sub,” Cloud.google, [online , 2019. Available: https://cloud.google.com/storage/?hl=es Google LLC, “Cloud Datastore,” Cloud.google, [online , 2019. Available: https://cloud.google.com/datastore/ S. Mishra, B. Majhi, P. K. Sa & L. Sharma, “Gray level co-occurrence matrix and random forest based acute lymphoblastic leukemia detection,” Biomed Signal Process Control, vol. 33, pp. 272–280, Mar. 2017. https://doi.org/10.1016/j.bspc.2016.11.021
dc.relation.citationendpage.none.fl_str_mv	213
dc.relation.citationstartpage.none.fl_str_mv	202
dc.relation.citationissue.spa.fl_str_mv	2
dc.relation.citationvolume.spa.fl_str_mv	16
dc.relation.bitstream.none.fl_str_mv	https://revistascientificas.cuc.edu.co/ingecuc/article/download/3247/3012 https://revistascientificas.cuc.edu.co/ingecuc/article/download/3247/3541 https://revistascientificas.cuc.edu.co/ingecuc/article/download/3247/3578
dc.relation.citationedition.spa.fl_str_mv	Núm. 2 , Año 2020 : (Julio-Diciembre)
dc.rights.spa.fl_str_mv	INGE CUC - 2020
dc.rights.uri.spa.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/4.0
dc.rights.accessrights.spa.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	INGE CUC - 2020 http://creativecommons.org/licenses/by-nc-nd/4.0 http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.mimetype.spa.fl_str_mv	application/pdf text/html application/xml
dc.publisher.spa.fl_str_mv	Universidad de la Costa
dc.source.spa.fl_str_mv	https://revistascientificas.cuc.edu.co/ingecuc/article/view/3247
institution	Corporación Universidad de la Costa
bitstream.url.fl_str_mv	https://repositorio.cuc.edu.co/bitstream/11323/12299/1/ORE.xml
bitstream.checksum.fl_str_mv	412019fd94e6735bfb6dbea3225a7851
bitstream.checksumAlgorithm.fl_str_mv	MD5
repository.name.fl_str_mv	Repositorio Universidad de La Costa
repository.mail.fl_str_mv	repdigital@cuc.edu.co
_version_	1808400010525540352
spelling	Roa-Martínez, Sandra Milena593a29cda37790ebc3802c1857292ae6300Ruiz Velasco, Andrés Felipe43e464f9de8bd7d855ba52059822a1853002020-04-30 00:00:002024-04-09T20:21:20Z2020-04-30 00:00:002024-04-09T20:21:20Z2020-04-300122-6517https://hdl.handle.net/11323/12299https://doi.org/10.17981/ingecuc.16.2.2020.1510.17981/ingecuc.16.2.2020.152382-4700Introducción— Los sistemas de recuperación de imágenes basada en contenido permiten a los usuarios, por medio de una imagen de referencia, recuperar aquellas similares a su consulta. En la concepción de dichos sistemas para la Web, deben ser considerados aspectos relacionados al alto volumen de imágenes digitales existentes, que generan problemas durante su procesamiento en tiempo real, específicamente en la extracción de sus características visuales, objeto de esta investigación. Objetivos— Contribuir en la mitigación de los problemas de escalabilidad, elasticidad, disponibilidad y confiabilidad presentada por el módulo de extracción de sus características visuales de un sistema de recuperación de imágenes basada en contenido. Metodología— Se realizó la definición, diseño e implementación de una propuesta de arquitectura basada en microservicios y posteriormente la ejecución de pruebas mediante experimentos basados en simulación para la evaluación de dicha propuesta, presentando el respectivo análisis y discusión de los resultados entregados por el tablero de indicadores de la consola de Google Cloud. Resultados— Una arquitectura basada en microservicios donde cada algoritmo/técnica de extracción de características de una imagen digital fue implementada como un microservicio bajo la infraestructura de Google Cloud. Conclusiones— Esta propuesta arquitectural soportada en microservicios favorece su escalabilidad automática durante la extracción de características de grandes volúmenes de imágenes y puede ser usada en el diseño y construcción de otros módulos de un sistema de recuperación de imágenes basada en contenido.Introduction— Content-based image retrieval systems allow users, using a reference image, to retrieve those similar to their query. In the conception of such systems for the Web, aspects related to the high volume of existing digital images must be considered, which generate problems during their processing in real time, specifically in the extraction of their visual features, the object of this investigation. Objectives— Contribute to the mitigation of scalability, elasticity, availability and reliability problems presented by the module for extracting its visual characteristics from a content-based image retrieval system. Methodology— The definition, design and implementation of a proposal for architecture based on microservices was carried out, followed by the execution of tests using simulation-based experiments for the evaluation of said proposal, presenting the respective analysis and discussion of the results provided by the indicator panel of the Google Cloud console. Results— A microservices-based architecture where each algorithm / technique for extracting features from a digital image was implemented as a microservice under the Google Cloud infrastructure. Conclusions— This architectural proposal supported by microservices favors its automatic scalability during the extraction of features from large volumes of images and can be used in the design and construction of other modules of a content-based image retrieval system.application/pdftext/htmlapplication/xmlspaUniversidad de la CostaINGE CUC - 2020http://creativecommons.org/licenses/by-nc-nd/4.0info:eu-repo/semantics/openAccessEsta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.http://purl.org/coar/access_right/c_abf2https://revistascientificas.cuc.edu.co/ingecuc/article/view/3247CBIR architecturemicroservicesfeature extractionGoogle Cloudimage retrievalarquitectura CBIRmicroserviciosextracción de característicasGoogle Cloudrecuperación de imágenesArquitectura de microservicios para extracción de características en sistemas de recuperación de imágenes basada en contenidoMicroservices architecture for feature extraction in content-based image retrieval systemsArtículo de revistahttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1Textinfo:eu-repo/semantics/articleJournal articlehttp://purl.org/redcol/resource_type/ARTinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/version/c_970fb48d4fbd8a85Inge CucM. Becker, S. Lehrig & S. Becker, “Systematically deriving quality metrics for cloud computing systems,” presented at 6th ACM/SPEC Int Conf Perform Eng, ICPE 2015, TX, USA, pp. 169–174, 31 Jan-4 Feb. 2015. https://doi.org/10.1145/2668930.2688043M. Nabi, M. Toeroe & F. Khendek, “Availability in the cloud: State of the art,” J Netw Comput Appl, vol. 60, pp. 54–67, Jan. 2016. https://doi.org/10.1016/j.jnca.2015.11.014X. Wang & J. Grabowski, “A Reliability Assessment Framework for Cloud Applications,” presented at Cloud Computing 2015, IARIA, Nnc., Fr., 2015. Available: http://www.thinkmind.org/index.php?view=article&articleid=cloud_computing_2015_6_10_20143A. Latif, A. Rasheed, U. Sajid, J. Ahmed, N. Ali, N. I. Ratyal, B. Zafar, S. H. Dar, M. Sajid & T. Khalil, “Content-based image retrieval and feature extraction: A comprehensive review,” Math Probl Eng, vol. 4, pp. 121, 2019. https://doi.org/10.1155/2019/9658350L. Kaliciak, H. Myrhaug & A. Goker, “Content-Based Image Retrieval in Augmented Reality,” presented at 8th International Symposium on Ambient Intelligence, ISAmI 2017, PO, PT, pp. 95–103, 21-23 Jun. 017. https://doi.org/10.1007/978-3-319-61118-1M. Meena, V. A. Bharadi & K. Vartak, “Hybrid Wavelet Based CBIR System Using Software as a Service (SaaS) Model on Public Cloud,” Procedia Comput Sci, vol. 79, pp. 278–286, 2016. https://doi.org/10.1016/j.procs.2016.03.036M. B. Suresh & B. M. Naik, “A novel scheme for extracting shape and texture features using CBIR approach,” Int Conf Energy Commun Data Anal Soft Comput ICECDS 2017, pp. 3399–3404, Jun. 21, 2018. https://doi.org/10.1109/ICECDS.2017.8390091J. Pradhan, S. Kumar, A. K. Pal & H. Banka, “A hierarchical CBIR framework using adaptive tetrolet transform and novel histograms from color and shape features,” Digit Signal Process A Rev J, vol. 82, pp. 258–281, Nov. 2018. https://doi.org/10.1016/j.dsp.2018.07.016A. B. Raut, “NOSQL Database and Its Comparison with RDBMS,” Int J Comput Intell Res, vol. 13, núm. 7, pp. 1645–1651, 2017.M. Villamizar, O. Garcés, H. Castro, M. Verano, L. Salamanca & S. Gil, “Evaluating the Monolithic and the Microservice Architecture Pattern to Deploy Web Applications in the Cloud,” presented at 10th Comput Colomb Conf, 10CCC, Bog., Co., 21-25 Sep. 2015. https://doi.org/10.1109/ColumbianCC.2015.7333476R. Grycuk, P. Najgebauer, R. Nowicki & R. Scherer, “Multilayer Architecture for Content-based Image Retrieval Systems,” presented at IEEE 12th Conf Serv Comput Appl, SOCA, Khh., Tw., 18-21 Nov. 2019. https://doi.org/10.1109/SOCA.2019.00025S. Easwaramoorthy, U. Moorthy, C. A. Kumar, S. B. Bhushan & V. Sadagopan, “Content Based Image Retrieval with Enhanced Privacy in Cloud Using Apache Spark,” Commun Comput Inf Sci, vol. 804, pp. 114–128, Feb. 2018. https://doi.org/10.1007/978-981-10-8603-8_10M. Meena, A. R. Singh & V. A. Bharadi, “Architecture for Software as a Service (SaaS) Model of CBIR on Hybrid Cloud of Microsoft Azure,” Procedia Comput Sci, vol. 79, pp. 569–578, 2016. https://doi.org/10.1016/j.procs.2016.03.072A. Rahman, E. Winarko, y M. E. Wibowo, “Mobile content based image retrieval architectures,” presented at Int Conf Electr Eng Comput Sci Informatics, IEEE, Yo. Id., pp. 208–211, 19-21 Sep. 2017. https://doi.org/10.1109/EECSI.2017.8239111A. Balalaie, A. Heydarnoori & P. Jamshidi, “Microservices Architecture Enables DevOps: Migration to a Cloud-Native Architecture,” IEEE Softw, vol. 33, núm. 3, pp. 42–52, Mar. 2016. https://doi.org/10.1109/MS.2016.64T. Cerny, M. J. Donahoo & J. Pechanec, “Disambiguation and comparison of SOA, microservices and self-contained systems,”presented at Res Adapt Converg Syst, RACS '17, Krk., Pol., pp. 228–235, Sep. 2017. https://doi.org/10.1145/3129676.3129682Google LLC, “Cloud Functions,” Cloud.google, [online , 2017. Available: https://cloud.google.com/functions/ Google LLC, “Cloud Functions,” Cloud.google, [online , 2020. Available: https://cloud.google.com/functions/ Google LLC, “Cloud Storage,” Cloud.google, [online , 2019. Available: https://cloud.google.com/storage/?hl=es Google LLC, “Pub/Sub,” Cloud.google, [online , 2019. Available: https://cloud.google.com/storage/?hl=es Google LLC, “Cloud Datastore,” Cloud.google, [online , 2019. Available: https://cloud.google.com/datastore/S. Mishra, B. Majhi, P. K. Sa & L. Sharma, “Gray level co-occurrence matrix and random forest based acute lymphoblastic leukemia detection,” Biomed Signal Process Control, vol. 33, pp. 272–280, Mar. 2017. https://doi.org/10.1016/j.bspc.2016.11.021213202216https://revistascientificas.cuc.edu.co/ingecuc/article/download/3247/3012https://revistascientificas.cuc.edu.co/ingecuc/article/download/3247/3541https://revistascientificas.cuc.edu.co/ingecuc/article/download/3247/3578Núm. 2 , Año 2020 : (Julio-Diciembre)OREORE.xmltext/xml2694https://repositorio.cuc.edu.co/bitstream/11323/12299/1/ORE.xml412019fd94e6735bfb6dbea3225a7851MD51open access11323/12299oai:repositorio.cuc.edu.co:11323/122992024-04-09 15:21:20.603An error occurred on the license name.\|\|\|http://creativecommons.org/licenses/by-nc-nd/4.0metadata only accessRepositorio Universidad de La Costarepdigital@cuc.edu.co

Arquitectura de microservicios para extracción de características en sistemas de recuperación de imágenes basada en contenido

Publicaciones similares