Да эти ХХХ все на одно лицо

А действительно?
 
RU spam_test #10.02.2018 15:44
+
+1
-
edit
 

spam_test

аксакал

"Эти русские все на одно лицо" © Мимино

На распознавание/отличение конечно влияет опыт окружения. Но вместе с тем, сейчас то есть машинное распознавание, китайцы своих преступников по уличным камерам вылавливают. Полагаю, что опорные точки и алгоритмы распознавания тоже могут иметь национальные особенности. Вот как гугл негров не распознает, чтобы с обезьянами не путать. Но ставил ли кто прямой эксперимент? Кто хуже различается? В конечном счете, можно ведь и цвет кожи нивелировать?
 55
RU maitredesir #10.02.2018 21:53  @spam_test#10.02.2018 15:44
+
+1
-
edit
 

maitredesir

втянувшийся

s.t.> На распознавание/отличение конечно влияет опыт окружения. Но вместе с тем, сейчас то есть машинное распознавание, китайцы своих преступников по уличным камерам вылавливают. Полагаю, что опорные точки и алгоритмы распознавания тоже могут иметь национальные особенности.

Конечно, влияет выборка. В первую очередь обучающая, на которой распознавалка (а большинство из них работают в обучении в комбинации big data + NN). Причем есть адаптивные алгоритмы, которые, в т.ч. меняют структуру сети для повышения качества распознавания. К примеру, при интересном алгоритме реконфигурирования персептрона при обучении, для, например, выделения глаз, конечная конфигурация сети может отличаться кардинально. Только повлияют на это биологические признаки не напрямую, а косвенно, путем формирования различных опорных признаков. Т.е. сеть вполне может прекрасно находить радужку у китайцев, неплохо у японцев, и отвратительно у норвежцев. Это как просто пример.

s.t.> Но ставил ли кто прямой эксперимент?

Про такие ничего не знаю, но я в свое время переучивал машинку, которая выделяла границы коронарных артерий на снимках коронарографии для работы со снимками всузи. Поскольку времени было до буя, загнал я сеть (с адаптивным ростом) учиться сначала ту, которая стенозы на коронарографии выделяла, а потом - чистую. Ученая на коронарке сеть научилась выделять стенозы на всузи в 8 раз быстрее (достигла равновесия по синапсам), но выделяла примерно на 20% хуже (точную цифру не помню, надо дипломку поднимать - тогда скажу).

s.t.> В конечном счете, можно ведь и цвет кожи нивелировать?

Конечно, можно. Вообще, в таком деле первый шаг - это выделение инвариантов. Т.е. признаков, которые будут (блин, как подобрать другое слово? невосприимчивы) к афинным, цветовым и яркостным преобразованиям. Ну если по афинным все крайне просто - можно гонять тот же метод моментов, когда картинка распознаваемая нормируется, и определяется что-то вроде разных видов момента инерции этой картинки, и они уже заходят в сеть инвариантами. То с цветовыми-яркостными все чуть сложнее, там надо сначала нормировать яркость (к какому значению - первый вопрос), затем отрегулировать контрастность (в моем случае - инфарктах - фотошоповская автокоррекция не катит, тухловатая), а потом выделить значимые зоны (бинаризация, выделение границ, градиентные методы всякие). И уже из них строить инварианты.

В общем, прекрасно это все автоматизируется, и цветом кожи можно пренебречь. Главные вопросы здесь - качество обучающей выборки и вычислительный ресурс при обучении (прогнать предварилку - а это 3-5 нейронок с автообучением на основе градиентных методов, генетических алгоритмов и отжигов), и через это нужно прогнать миллиард картинок. При распознавании потом ресурсы особо и не расходуются (в сравнении с...)

Ну и я, конечно, вещаю по знаниям на 2010-2012 годы, потом я ушел в бухучет... :(
 63.0.3239.13263.0.3239.132

в начало страницы | новое
 
Поиск
Настройки
Твиттер сайта
Статистика
Рейтинг@Mail.ru