Programmatūra iemācās atzīmēt fotoattēlus

ASV pētnieki ir izlaiduši jaunu tiešsaistes programmu attēlu automātiskai marķēšanai atbilstoši to saturam. Pirmajā reālās pasaules testā programma apstrādāja tūkstošiem publiski pieejamu attēlu, kas bija pieejami fotoattēlu koplietošanas vietnē. Flickr . Vismaz viens precīzs tags tika ģenerēts 98 procentiem no visiem analizētajiem attēliem.

Jaunā programmatūra ar nosaukumu ALIPR (Automātiskā attēlu lingvistiskā indeksācija) izmanto statistikas metožu kombināciju, lai apstrādātu attēlu un piešķirtu tam 15 vārdu kopu, kas sakārtoti uztveramās atbilstības secībā. Šie vārdi var attiekties uz konkrētu objektu attēlā, piemēram, personu vai automašīnu, vai vispārīgāku tēmu, piemēram, ārpus telpām vai cilvēka radītu.

Cilvēkiem attēla atšifrēšana ir maldinoši vienkārša. Un tomēr datoriem, kas spēj kārtot miljoniem teksta dokumentu ar pārsteidzošu ātrumu un precizitāti, attēla satura identificēšana joprojām ir velnišķīgi grūts uzdevums.

Semantiskā attēla atpazīšana ir viena no sarežģītākajām mākslīgā intelekta problēmām, saka Dzja Li, Pensilvānijas štata universitātes matemātiķis štata koledžā, kurš izstrādāja programmatūru kopā ar kolēģi Džeimsu Vanu, Informācijas zinātņu koledžas locekli. Tehnoloģija. Objekti reālajā pasaulē ir 3-D, skaidro Li. Kad tie tiek parādīti attēlā, tie var ievērojami atšķirties pēc krāsas, formas, žestiem, izmēra un novietojuma, un datoram parasti nav priekšzināšanu par variācijām.

Tā kā sarežģīta pasaules izpratne joprojām ir ārpus datoru iespējām, ir nepieciešami efektīvāki redzes apstrādes algoritmi, lai palīdzētu tiem atdarināt cilvēka redzi un intelektu.

ALIPR analizē attēlu pa pikseļiem un izmanto jaunu statistikas metodi, lai aprēķinātu varbūtību, ka konkrēts vārds var raksturot tā saturu. Tas ietver krāsu un faktūras sadalījuma pārbaudi attēlā un šo funkciju salīdzināšanu ar saglabātu vārdu un attēlu datubāzi. Li un Vans apmācīja savu programmu, izmantojot komerciālu datubāzi, kurā bija aptuveni 50 000 attēlu, kas jau bija atzīmēti.

Nesen viņi pārbaudīja ALIPR ar 5411 iepriekš neredzētiem attēliem, kas bija pieejami populārajā attēlu koplietošanas vietnē Flickr. 51 procentam šo attēlu pirmais vārds, ko ģenerēja ALIPR, parādījās lietotāju tagos. Programma arī radīja vismaz vienu precīzu vārdu 98 procentus laika. Pētnieki izmantoja attēlus, ko Flickr lietotāji padarīja publiski pieejamus un kuri bija arī atklāti pieejami, izmantojot Flickr lietojumprogrammu saskarni.

Li saka, ka labākai attēlu atpazīšanas programmatūrai varētu būt dažādas lietojumprogrammas. Tas varētu, piemēram, uzlabot interneta meklētājprogrammas vai automātiski marķēt digitālo attēlu kolekcijas. Li uzskata, ka tas varētu arī palīdzēt zinātniekiem šķirot lielu daudzumu vizuālās informācijas: attēlu klasifikācija dažkārt ir nepieciešama zinātniskos pētījumos. Bez datora palīdzības pētniekiem ir manuāli jāklasificē attēli, un šis process var būt lēns un atpalikt no jauno attēlu lielās caurlaidspējas.

Pamatā esošie algoritmi varētu būt piemēroti dažādiem citiem sarežģītiem skaitļošanas uzdevumiem. Līdzīgas pieejas var izmantot video analīzei un, iespējams, citām problēmām, piebilst Li.

Luiss fon Āns , datorzinātņu docents Kārnegija Melona Universitātē Pitsburgā, PA, saka, ka pētījums ir solis pareizajā virzienā, taču ir jāuzlabo programmatūras precizitātes līmenis. Viņš atzīmē, ka attēli tādās vietnēs kā Flickr bieži satur ļoti līdzīgu materiālu. Lieta ir tāda, ka šie attēli lielākoties ir par vienu un to pašu — cilvēki lielākoties fotografē citus cilvēkus, viņš saka. Tātad, tikai izmantojot vārdu “cilvēki”, liela daļa attēlu jau tiek atzīmēti pareizi.

Fon Ahn arī uzskata, ka cilvēkiem varētu būt lielāka loma redzes atpazīšanas algoritmu apmācībā. Viņš vada vietni ar nosaukumu Peekaboom kas pārvērš attēlu atzīmēšanu par spēli diviem tiešsaistes spēlētājiem. Kad attēls tiek lēnām atklāts, katram spēlētājam ir jāsacenšas, lai atrastu tam piemēroto atzīmi. Tas palīdz apmācīt fon Ahna programmatūru identificēt attēlus, koncentrējoties uz galvenajām daļām. Līdz šim, izmantojot Peekaboom, ir klasificēti aptuveni 100 000 atsevišķu attēlu, saka fon Ahn.

Aleksandrs Bergs , datorredzes eksperts Kalifornijas universitātē Bērklijā piekrīt, ka cilvēki varētu palīdzēt datoriem labāk izprast sarežģītus datus. Viņš ierosina, ka tagi, kas tiek rādīti tādās vietnēs kā Flickr un YouTube, kā arī daudzos emuāros un ziņu vietnēs, nākotnē varētu izrādīties izšķiroši šajā darbā. Kopumā attēlu un video meklēšana ir joma, kurā ir jāveic lieli panākumi, saka Bergs. Arvien vairāk datu ir tiešsaistē ar zināmu cilvēku marķējumu.

Šo ideju atzinīgi vērtē Li: jo ticamākiem datiem mēs varam piekļūt un tos izmantot, jo labāk.

paslēpties