Пока вы смотрели на картинку, ваш мозг проводил сразу две операции: а) распознавание контура лица и б) анализ, что за эмоция на нем отражена |
||
МЕНЮ Искусственный интеллект Поиск Регистрация на сайте Помощь проекту ТЕМЫ Новости ИИ Искусственный интеллект Разработка ИИГолосовой помощник Городские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Техническое зрение Чат-боты Авторизация |
2016-02-27 11:42 Пока вы смотрели на картинку, ваш мозг проводил сразу две операции: а) распознавание контура лица и б) анализ, что за эмоция на нем отражена. То, что у человека эти процессы разделяются еще в самом начале тракта распознавания, стало одним из недавних важных открытий в изучении возможностей компьютерного зрения. Вторым важным открытием стало то, что человек способен распознать, что изображено, даже если картинка совсем размыта или сильно искажена по одной из осей. В этом мы тоже превосходим машины. Потому что человек больше опирается на образы, а компьютеры, по сути, опираются как раз на алгоритмы размытия и сравнение данных из наиболее подходящих кластеров, уже содержащихся в базе. Короче — вся суть компьютерного зрения в сравнении чисел с уже имеющимися. Поэтому для начала машине "скармливают" большую подборку изображений по какому-то предмету. При этом важно, чтобы учебные картинки как содержали искомый предмет, так и не содержали его — компьютеру тоже важно учиться на ошибках. "Проглатывая" картинки, машина анализирует пиксели и пытается правильно группировать по ним границы важных объектов: например, яркое пятно может быть лицом или Солнцем. Затем все правильно распознанные данные записываются. А чтобы ускорить процесс сравнения в будущем, наборы информации разбиваются по кластерам: так что, получив очередную картинку, система не полезет шерстить всю БД, а проведет лишь сравнение по тем кластерам, данные в которых наиболее релевантны информации с картинки. Вот поэтому, например, загрузив фото цветочного поля, среди похожих изображений вы можете обнаружить пестрый бабушкин ковер. Так что поисковики все еще в большей мере опираются на подписи к изображениям. А вот Facebook, использующий для работы с фото нейронную сеть, научил машину распознавать людей на снимках со спины, использовав для этого 40 000 изображений с Flickr. Комментарии: |
|