InayofuataMwongozo unaofuata
Perceptual Hashing for Near-Duplicate Images
AI ya kuona
Mwongozo wa AI unaoonekana
Kupoteza Mtazamo na LPIPs
Perceptual losses compare image representations from a neural network instead of relying only on pixel differences.
Sikiliza mwongozo huuInaonyeshwa na AI · ~2 min
Katika ukurasa huudk 2 kusoma
Muhtasari
LPIPS calibrates such feature distances against human similarity judgments, but no score guarantees that every image pair will be judged alike by every viewer.
Dive ya kina
Hasara za kitamaduni kama vile L2 (maana ya hitilafu ya mraba) hulinganisha picha za pikseli-kwa-pixel, ili mabadiliko ya pikseli moja au umbile tofauti kidogo inaonekana kama hitilafu kubwa ingawa wanadamu hawatambui. Upotevu wa utambuzi badala yake huendesha picha zote mbili kupitia mtandao uliofundishwa (mara nyingi VGG) na kulinganisha kuwezesha kutoka kwa safu za kati. Kwa sababu vipengele hivyo husimba kingo, maumbo na sehemu za kitu badala ya thamani halisi za pikseli, hasara hiyo inalingana vyema na uamuzi wa binadamu, ikihimiza matokeo makali na ya uaminifu kisemantiki. LPIPS (Ulinganifu wa Kiraka cha Picha ya Kihisia Iliyojifunza), ilianzishwa na Zhang et al. mnamo 2018, inarasimisha hili: inatoa vipengele vya kina, kuvifanya kuwa vya kawaida, na kutumia uzani uliofunzwa uliosawazishwa dhidi ya maelfu ya hukumu za ufanano za binadamu, na kutoa alama moja ya umbali ambapo chini inamaanisha kuwa sawa kimawazo.
Utekelezaji wa Ulimwengu Halisi
Kufunza mitandao yenye azimio kuu (k.m., SRGAN) ili picha za hali ya juu zionekane kali na zenye muundo badala ya ukungu.
Kutathmini mbano wa picha na kodeki kwa kupata alama ya jinsi taswira iliyosimbuliwa ilivyo karibu na ya asili.
Uhamishaji wa mtindo unaoongoza, ambapo maudhui yanalinganishwa kupitia vipengele vya kina vya VGG badala ya pikseli halisi.
Kulinganisha GAN na jenereta za taswira kwa kuripoti umbali wa LPIPS kati ya picha zinazozalishwa na halisi.
Mustakabali wa Upotevu wa Kihisia na LPIPs
Vipimo vya utambuzi vinahama kutoka kwa uti wa mgongo wa CNN kuelekea vipengele kutoka kwa miundo inayojisimamia na kubadilisha maono kama vile DINO na CLIP, ambayo hunasa semantiki bora zaidi. Tarajia muunganisho mkali zaidi na mafunzo ya modeli ya uenezaji na tathmini ya maandishi kwa picha, pamoja na alama za utambuzi zilizopangwa kwa uthabiti wa muda wa video. Watafiti pia wanachunguza sehemu zisizoeleweka za LPIPS: inaweza kudanganywa kwa uhasama na inahusiana hafifu na ubora kwa uaminifu wa juu sana, ikihamasisha metriki mpya zaidi zinazolingana na binadamu kama vile DISTS na mbinu za kuunganisha.
Kuiweka katika vitendo
Kwa nini ni muhimu
- Kasi na kiwango. Visual AI inaweza kufanya ukaguzi, ugunduzi na kazi za kuweka lebo kiotomatiki kwa kiwango.
- Tengeneza chaguzi. Timu bunifu zinaweza kuiga dhana kwa haraka zaidi na masahihisho machache ya mikono.
- Timu na mtiririko wa kazi. Uendeshaji unaweza kutumia ishara za picha na video ambazo hapo awali zilikuwa ngumu kuchakata.
Jihadharini na
- Haki za picha na idhini zinaweza kuwa hatari za kisheria ikiwa asili haiko wazi.
- Utendaji wa muundo unaweza kutofautiana katika mwangaza, idadi ya watu na mazingira.
- Chanya za uwongo zinaweza kutotambuliwa isipokuwa viwango vya uaminifu vifuatiliwe.
Hatua zinazofuata
- Bainisha vigezo vya kukubalika vya usahihi, kumbukumbu na gharama za makosa.
- Jaribu kwa kutumia data inayolingana na hali halisi ya uzalishaji.
- Ongeza ukaguzi wa kibinadamu kwa utabiri wa chini au utabiri wa athari kubwa.
- Fuatilia mtindo wa kuteleza na uthibitishe upya baada ya mabadiliko ya kamera au mkusanyiko wa data.
Endelea Kuchunguza
Jarida halali
Pata taarifa ya kila siku ya AI
Hadithi tatu za AI zilizothibitishwa kila asubuhi ya wiki, zimetengenezwa kwa Kiingereza rahisi. Bila malipo daima, hakuna matangazo.
Barua pepe moja kila siku ya wiki. Jiondoe kwa bonyeza moja. Hatutauza au kushiriki anwani yako.
Jijaribu mwenyewe
Take the Perceptual Loss and LPIPS quiz
Maoni ya haraka juu ya kila jibu, na cheti kinachoweza kushirikishwa na kitambulisho kinachoweza kuthibitishwa baada ya kupita kozi.
Changia elimu ya AI bila malipo. AI Understanding ni 501(c)(3) isiyo na faida — hakuna matangazo, hakuna kizuizi cha malipo, daima. Toa mchango
Maswali yanayoulizwa mara kwa mara
What is Perceptual Loss and LPIPS?
Perceptual losses compare image representations from a neural network instead of relying only on pixel differences. LPIPS calibrates such feature distances against human similarity judgments, but no score guarantees that every image pair will be judged alike by every viewer.
Kwa nini upotezaji wa L2 unaotegemea pixel mara nyingi huhukumu kimakosa kufanana kwa picha ikilinganishwa na upotezaji wa utambuzi?
L2 inalinganisha pikseli moja kwa moja, kwa hivyo mabadiliko madogo ya anga au tofauti za maandishi husajili kama makosa makubwa hata wakati picha inaonekana sawa kwa mtu.
LPIP inalinganisha nini kimsingi kati ya picha mbili?
LPIPS huchota kuwezesha vipengele vya kina kutoka kwa uti wa mgongo usiobadilika na kupima umbali wao, ambao unalingana vyema na mtizamo wa binadamu kuliko pikseli.
Vipimo vya kila chaneli katika LPIPS viliamuliwaje?
Vipimo vilifunzwa kuendana na mkusanyiko mkubwa wa data (BAPPS) wa maamuzi ya kufanana ya binadamu ya njia mbili-badala-ya kulazimishwa.
What does a lower LPIPS value indicate for a tested image pair?
LPIPS is calibrated to human similarity judgments, but its distance remains a model-based measure with limitations.
Ni mtandao upi wa uti wa mgongo unaohusishwa zaidi na upotevu wa kawaida wa utambuzi (kipengele)?
Ramani za kipengele cha kati za VGG zimekuwa kiwango cha upotevu wa utambuzi katika kazi kama vile azimio bora zaidi na uhamishaji wa mitindo.
Endelea kujifunza
Miongozo inayohusiana
Miongozo zaidi imechaguliwa kwa mada hii