art
1.0.0
Para acessar a funcionalidade de pesquisa, inscreva-se para acessar o mosaico beta
A arte é uma das poucas linguagens que transcende as barreiras do país, da cultura e do tempo. Nosso objetivo é criar um algoritmo que possa ajudar a descobrir os elementos semânticos comuns da arte, mesmo entre qualquer cultura, mídia, artista ou coleção dentro das obras de arte combinadas do Metropolitan Museum of Art e do Rijksmusem.
Os sistemas de recuperação de imagens permitem que os indivíduos encontrem imagens semanticamente semelhantes a uma imagem de consulta. Isso serve como a espinha dorsal dos mecanismos de pesquisa reversa de imagens e de muitos mecanismos de recomendação de produtos. Apresentamos um novo método para especializar sistemas de recuperação de imagens chamado recuperação condicional de imagens. Quando aplicada em grandes conjuntos de dados artísticos, a recuperação condicional de imagens fornece analogias visuais que trazem à luz conexões ocultas entre diferentes artistas, culturas e mídias. Os sistemas de recuperação condicional de imagens podem encontrar com eficiência semântica compartilhada entre obras de mídias e origens culturais muito diferentes. Nosso artigo apresenta novas variantes de algoritmos K-Nearest Neighbor que suportam a especialização em subconjuntos específicos de coleções de imagens em tempo real.
Para encontrar obras de arte com estrutura semântica semelhante, aproveitamos “recursos” de redes de visão profunda treinadas no ImageNet. Essas redes mapeiam imagens em um espaço de alta dimensão onde a distância é semanticamente significativa. Aqui, as consultas do vizinho mais próximo tendem a atuar como "mecanismos de busca reversa de imagens" e objetos semelhantes geralmente compartilham uma estrutura comum.
Para saber mais sobre este projeto, participe de nosso webinar ao vivo às 10h PST do dia 30/07/2020.
Para citar este trabalho, use o seguinte:
@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}
}
Consulte nosso guia do desenvolvedor para construir o projeto você mesmo.
Retratos compartilhados de reverência ao longo de 3.000 anos:
Como combinar seu relógio com sua roupa e sua louça:
Agradecimentos especiais a todos os colaboradores que ajudaram a tornar este projeto uma realidade!
Os externos do MIT x MSFT foram fundamentais para transformar este projeto de pesquisa em um site funcional. Em apenas um mês, a equipe construiu e projetou o site em mosaico. Stephanie Fu e Mindren Lu também contribuíram para a publicação "Conditional Image Retrieval" por meio de sua avaliação do efeito de diferentes redes pré-treinadas na transferência de estilo não paramétrico.
Este projeto deve muitos agradecimentos à equipe MSFT Garage. São criadores apaixonados que buscam incubar novos projetos e inspirar novas gerações de engenheiros. Seu apoio e orientação neste projeto são sinceramente apreciados.
Este projeto aceita contribuições e sugestões. A maioria das contribuições exige que você concorde com um Contrato de Licença de Colaborador (CLA), declarando que você tem o direito de nos conceder, e realmente nos concede, os direitos de uso de sua contribuição. Para obter detalhes, visite https://cla.opensource.microsoft.com.
Quando você envia uma solicitação pull, um bot CLA determinará automaticamente se você precisa fornecer um CLA e decorará o PR adequadamente (por exemplo, verificação de status, comentário). Basta seguir as instruções fornecidas pelo bot. Você só precisará fazer isso uma vez em todos os repositórios usando nosso CLA.
Este projeto adotou o Código de Conduta de Código Aberto da Microsoft. Para obter mais informações, consulte as Perguntas frequentes sobre o Código de Conduta ou entre em contato com [email protected] com perguntas ou comentários adicionais.
