art
1.0.0
Um auf die Suchfunktion zuzugreifen, beantragen Sie den Zugriff auf die Mosaik-Beta
Kunst ist eine der wenigen Sprachen, die die Grenzen von Land, Kultur und Zeit überschreitet. Unser Ziel ist es, einen Algorithmus zu entwickeln, der dabei helfen kann, die gemeinsamen semantischen Elemente der Kunst auch zwischen allen Kulturen, Medien, Künstlern oder Sammlungen innerhalb der kombinierten Kunstwerke des Metropolitan Museum of Art und des Rijksmusems zu entdecken.
Bildabrufsysteme ermöglichen es Einzelpersonen, Bilder zu finden, die einem Abfragebild semantisch ähnlich sind. Dies dient als Rückgrat von Reverse-Image-Suchmaschinen und vielen Produktempfehlungsmaschinen. Wir stellen eine neuartige Methode zur Spezialisierung von Bildabrufsystemen vor, die als bedingte Bildabfrage bezeichnet wird. Bei der Anwendung auf große Kunstdatensätze liefert der bedingte Bildabruf visuelle Analogien, die verborgene Verbindungen zwischen verschiedenen Künstlern, Kulturen und Medien ans Licht bringen. Bedingte Bildabrufsysteme können effizient gemeinsame Semantiken zwischen Werken sehr unterschiedlicher Medien und kultureller Herkunft finden. In unserem Artikel werden neue Varianten von K-Nearest Neighbor-Algorithmen vorgestellt, die die Spezialisierung auf bestimmte Teilmengen von Bildsammlungen im laufenden Betrieb unterstützen.
Um Kunstwerke mit ähnlicher semantischer Struktur zu finden, nutzen wir „Funktionen“ von Deep-Vision-Netzwerken, die auf ImageNet trainiert wurden. Diese Netzwerke bilden Bilder in einem hochdimensionalen Raum ab, in dem die Entfernung eine semantische Bedeutung hat. Hier fungieren Suchanfragen nach dem nächsten Nachbarn tendenziell als „Umkehrbild-Suchmaschinen“ und ähnliche Objekte weisen häufig eine gemeinsame Struktur auf.
Um mehr über dieses Projekt zu erfahren, nehmen Sie bitte an unserem Live-Webinar am 30.07.2020 um 10:00 Uhr PST teil.
Um diese Arbeit zu zitieren, verwenden Sie bitte Folgendes:
@article{hamilton2020conditional,
title={Conditional Image Retrieval},
author={Hamilton, Mark and Fu, Stephanie and Freeman, William T and Lu, Mindren},
journal={arXiv preprint arXiv:2007.07177},
year={2020}
}
Bitte lesen Sie unseren Entwicklerleitfaden, um das Projekt selbst zu erstellen.
Gemeinsame Darstellungen der Ehrfurcht über 3000 Jahre:
So passen Sie Ihre Uhr an Ihr Outfit und Ihr Geschirr an:
Besonderer Dank geht an alle Mitwirkenden, die zur Verwirklichung dieses Projekts beigetragen haben!
Die externen Mitarbeiter von MIT x MSFT waren ausschlaggebend dafür, aus diesem Forschungsprojekt eine funktionierende Website zu machen. In nur einem Monat erstellte und gestaltete das Team die Mosaik-Website. Stephanie Fu und Mindren Lu trugen auch zur Veröffentlichung „Conditional Image Retrieval“ bei, indem sie die Auswirkungen verschiedener vorab trainierter Netzwerke auf die nichtparametrische Stilübertragung bewerteten.
Dieses Projekt ist dem MSFT Garage-Team zu verdanken. Sie sind leidenschaftliche Schöpfer, die neue Projekte ins Leben rufen und neue Generationen von Ingenieuren inspirieren möchten. Wir danken ihnen sehr für ihre Unterstützung und Betreuung bei diesem Projekt.
Dieses Projekt freut sich über Beiträge und Vorschläge. Für die meisten Beiträge müssen Sie einem Contributor License Agreement (CLA) zustimmen, in dem Sie erklären, dass Sie das Recht haben, uns die Rechte zur Nutzung Ihres Beitrags zu gewähren, und dies auch tatsächlich tun. Weitere Informationen finden Sie unter https://cla.opensource.microsoft.com.
Wenn Sie eine Pull-Anfrage einreichen, ermittelt ein CLA-Bot automatisch, ob Sie eine CLA bereitstellen müssen, und schmückt die PR entsprechend (z. B. Statusprüfung, Kommentar). Folgen Sie einfach den Anweisungen des Bots. Sie müssen dies nur einmal für alle Repos tun, die unsere CLA verwenden.
Dieses Projekt hat den Microsoft Open Source Verhaltenskodex übernommen. Weitere Informationen finden Sie in den FAQ zum Verhaltenskodex oder wenden Sie sich bei weiteren Fragen oder Kommentaren an [email protected].
