कंप्यूटर विजन: एआई हमें कैसे देखता है

हाल ही में, हमने इस बारे में बात की कि कंप्यूटर विज़न तकनीक का उपयोग करके सिनेमाघरों में कैसे विश्लेषण किया जाता है: भावनाएं, हावभाव और वह सब। आज हम Microsoft अनुसंधान से हमारे सहयोगी के साथ एक बातचीत प्रकाशित कर रहे हैं। वह उसी दृष्टि के निर्माण में लगा हुआ है। कटौती के तहत, प्रौद्योगिकी के विकास के बारे में विवरण, जीडीपीआर के बारे में थोड़ा, साथ ही आवेदन के क्षेत्रों के बारे में भी। अब सम्मिलित हों!



एक तकनीकी दृष्टिकोण से, कंप्यूटर दृष्टि विशेषज्ञ "स्वचालित रूप से छवियों का विश्लेषण करने और दृश्यमान दुनिया से जानकारी निकालने के लिए एल्गोरिदम और सिस्टम बनाते हैं।" एक आम आदमी के दृष्टिकोण से, वे ऐसी मशीनें बनाते हैं जिन्हें वे देख सकते हैं। यह मुख्य शोधकर्ता और अनुसंधान विभाग के प्रमुख डॉ। गैंग हुआ, और कंप्यूटर विज़न विशेषज्ञों की एक टीम है। व्यक्तिगत रोबोट, मानव रहित वाहन और ड्रोन जैसे उपकरणों के लिए, जिनका हम रोजमर्रा के जीवन में अधिक से अधिक सामना करते हैं, दृष्टि बहुत महत्वपूर्ण है।

आज, डॉ। हुआ बताएंगे कि कैसे AI और मशीन लर्निंग में हालिया प्रगति ने छवि मान्यता और वीडियो "समझ" प्रौद्योगिकियों को बेहतर बनाने में मदद की है, और कला के विकास में योगदान दिया है। वह सक्रिय सीखने के लिए वितरित पहनावा दृष्टिकोण का सार भी समझाएगा, जिसमें लोग और मशीनें प्रयोगशाला में एक साथ काम करते हुए कंप्यूटर विजन सिस्टम बनाते हैं जो खुली दुनिया को देख और पहचान सकते हैं।


गैंग हुआ, प्रमुख शोधकर्ता और अनुसंधान प्रमुख। मैरीट फोटोग्राफी के फोटो सौजन्य से।

साक्षात्कार

यदि हम दस से पंद्रह साल पीछे देखते हैं, तो हम देखेंगे कि कंप्यूटर दृष्टि विशेषज्ञों के समुदाय में अधिक विविधता थी। विभिन्न कोणों से समस्या पर विचार करने और इसके समाधान को खोजने के लिए, विभिन्न मशीन सीखने के तरीकों और विभिन्न क्षेत्रों जैसे कि भौतिकी और प्रकाशिकी से ज्ञान लागू किया गया था। हम गतिविधि के सभी क्षेत्रों में विविधता के महत्व पर जोर देते हैं, इसलिए मुझे लगता है कि वैज्ञानिक समुदाय को फायदा होगा अगर हमारे पास अधिक भिन्न दृष्टिकोण हैं।

हम आपको उन्नत प्रौद्योगिकी अनुसंधान और इसके पीछे के वैज्ञानिकों से परिचित कराते हैं।

एक तकनीकी दृष्टिकोण से, कंप्यूटर दृष्टि विशेषज्ञ "स्वचालित रूप से छवियों का विश्लेषण करने और दृश्यमान दुनिया से जानकारी निकालने के लिए एल्गोरिदम और सिस्टम बनाते हैं।" एक आम आदमी के दृष्टिकोण से, वे ऐसी मशीनें बनाते हैं जिन्हें वे देख सकते हैं। यह मुख्य शोधकर्ता और अनुसंधान विभाग के प्रमुख डॉ। गैंग हुआ, और कंप्यूटर विज़न विशेषज्ञों की एक टीम है। व्यक्तिगत रोबोट, मानव रहित वाहन और ड्रोन जैसे उपकरणों के लिए, जिनका हम रोजमर्रा के जीवन में अधिक से अधिक सामना करते हैं, दृष्टि बहुत महत्वपूर्ण है।

आज, डॉ। हुआ बताएंगे कि कैसे AI और मशीन लर्निंग में हालिया प्रगति ने छवि मान्यता और वीडियो "समझ" प्रौद्योगिकियों को बेहतर बनाने में मदद की है, और कला के विकास में योगदान दिया है। वह सक्रिय सीखने के लिए वितरित पहनावा दृष्टिकोण का सार भी समझाएगा, जिसमें लोग और मशीनें प्रयोगशाला में एक साथ काम करते हुए कंप्यूटर विजन सिस्टम बनाते हैं जो खुली दुनिया को देख और पहचान सकते हैं। इसके बारे में और बहुत कुछ - माइक्रोसॉफ्ट रिसर्च पॉडकास्ट की नई रिलीज में।

आप MSR (Microsoft Research) में मुख्य शोधकर्ता और अनुसंधान विभाग के प्रमुख हैं, और आपकी विशेषता कंप्यूटर दृष्टि है।

हां।

सामान्य शब्दों में, एक कंप्यूटर विज़न विशेषज्ञ सुबह क्यों उठता है? इसका मुख्य लक्ष्य क्या है?

कंप्यूटर दृष्टि अनुसंधान का एक अपेक्षाकृत युवा क्षेत्र है। संक्षेप में, हम ऐसी मशीनें बनाने की कोशिश कर रहे हैं जो दुनिया को देख सकें और इसे एक व्यक्ति की तरह ही अनुभव कर सकें। अधिक तकनीकी भाषा में, सरल चित्रों और वीडियो के रूप में कंप्यूटर में प्रवेश करने वाली जानकारी को संख्याओं के अनुक्रम के रूप में दर्शाया जा सकता है। हम इन नंबरों से कुछ संरचनाएं निकालना चाहते हैं जो दुनिया का वर्णन करती हैं, कुछ अर्थ संबंधी जानकारी। उदाहरण के लिए, मैं कह सकता हूं कि छवि का कुछ हिस्सा एक बिल्ली से मेल खाता है। और दूसरा भाग मशीन से मेल खाता है, मेरा मतलब इस तरह की व्याख्या है। यहाँ यह है, कंप्यूटर विज़न का लक्ष्य। यह लोगों के लिए एक सरल कार्य की तरह लगता है, हालांकि, इसके बारे में कंप्यूटर सिखाने के लिए, हमें पिछले 10 वर्षों में बहुत काम करना पड़ा। हालांकि, अनुसंधान के क्षेत्र के रूप में कंप्यूटर विजन पहले से ही 50 साल पुराना है। फिर भी, हमें अभी भी कई समस्याओं को हल करना है।

हां। 5 साल पहले आपने कहा था, मुझे लगता है: "क्यों, 30 साल के शोध के बाद, क्या हम अभी भी चेहरे की पहचान की समस्या पर काम कर रहे हैं?" हमें बताएं कि आपने इस सवाल का जवाब कैसे दिया और इस दौरान क्या बदला है।

यदि हम पांच साल पहले के दृष्टिकोण से उत्तर देते हैं, तो मैं कहूंगा कि कंप्यूटर विजन और चेहरे की पहचान के क्षेत्र में अनुसंधान की शुरुआत के बाद से 30 वर्षों में, हमने बहुत कुछ हासिल किया है। लेकिन अधिकांश भाग के लिए, हम एक नियंत्रित वातावरण के बारे में बात कर रहे हैं, जहां चेहरे को कैप्चर करते समय, आप प्रकाश व्यवस्था, कैमरा, सजावट और इस तरह समायोजित कर सकते हैं। पांच साल पहले, जब हमने विवो में, अनियंत्रित वातावरण में अधिक काम करना शुरू किया, तो यह पता चला कि मान्यता की सटीकता में बहुत बड़ा अंतर था। हालांकि, पिछले पांच वर्षों में, हमारे समुदाय ने अधिक उन्नत गहन शिक्षण विधियों के उपयोग के माध्यम से महान प्रगति की है। यहां तक ​​कि विवो में चेहरे की पहचान के क्षेत्र में, हमने प्रगति की है और वास्तव में उस बिंदु पर आते हैं जहां विभिन्न व्यावसायिक उद्देश्यों के लिए इन तकनीकों का उपयोग करना संभव हो गया।

यह पता चलता है कि पिछले कुछ वर्षों में गहरी सीखने ने कंप्यूटर दृष्टि और छवि मान्यता के क्षेत्रों में बड़ी सफलता हासिल करना संभव बना दिया है।

ठीक है।

जब हमने पूरी तरह से नियंत्रित और अप्रत्याशित वातावरण में स्थितियों के अंतर के बारे में बात की, तो मुझे कई वैज्ञानिकों, पॉडकास्ट के मेहमानों को याद आया, जिन्होंने नोट किया कि कंप्यूटर विफल हो जाते हैं जब डेटा पर्याप्त रूप से पूरा नहीं होता है ... उदाहरण के लिए, अनुक्रम "कुत्ते, कुत्ते, कुत्ते, कुत्ते के तीन पैर" "- कंप्यूटर को संदेह होने लगता है कि क्या बाद वाला भी कुत्ता है?

हां।

क्या यह सच है? तो, वास्तव में, पहले से दुर्गम, गहरी सीखने की विधियां आपको आज मान्यता के क्षेत्र में क्या करने की अनुमति देती हैं?

यह एक महान प्रश्न है। एक शोध के दृष्टिकोण से, गहरी शिक्षा कई संभावनाओं को खोलती है। सबसे पहले, आप सिमेंटिक छवि का सही प्रतिनिधित्व निर्धारित करने के लिए व्यापक प्रशिक्षण का संचालन कर सकते हैं। उदाहरण के लिए, कुत्ते को वापस। मान लीजिए कि हम कुत्तों की विभिन्न तस्वीरों को देखते हैं, उदाहरण के लिए, 64 × 64 पिक्सेल की छवियां, जहां प्रत्येक पिक्सेल लगभग दो सौ और पचास विभिन्न मूल्यों को ले सकता है। यदि आप इसके बारे में सोचते हैं, तो यह बड़ी संख्या में संयोजन है। लेकिन अगर हम एक टेम्पलेट के रूप में कुत्ते के बारे में बात करते हैं, जहां पिक्सेल एक-दूसरे के साथ सहसंबंधित होते हैं, तो "कुत्ते" के अनुरूप संयोजनों की संख्या बहुत कम होगी।

व्यापक गहन शिक्षण विधियों का उपयोग करके, आप सिस्टम को "कुत्ते" के सही संख्यात्मक प्रतिनिधित्व को निर्धारित करने के लिए सिखा सकते हैं। संरचनाओं की गहराई के लिए धन्यवाद, हम वास्तव में जटिल मॉडल बना सकते हैं जो प्रशिक्षण के लिए बड़ी मात्रा में डेटा को मास्टर कर सकते हैं। इस प्रकार, यदि मेरा प्रशिक्षण डेटा टेम्पलेट के सभी संभावित विकल्पों और अभ्यावेदन को कवर करता है, तो अंत में मैं इसे एक व्यापक संदर्भ में पहचान पाऊंगा, क्योंकि मैंने लगभग सभी संभावित संयोजनों पर विचार किया था। यह पहला है।

एक और गहरा सीखने का अवसर एक तरह का संरचनागत व्यवहार है। संरचना की एक परत है और प्रस्तुति की एक परत है, इसलिए, जब जानकारी या एक छवि गहरे नेटवर्क में आती है और निम्न-स्तर की आदिम छवियों का निष्कर्षण शुरू होता है, तो धीरे-धीरे मॉडल इन आदिम छवियों से उच्च और उच्च जटिलता की शब्दार्थ संरचनाएं एकत्र कर सकता है। डीप लर्निंग एल्गोरिदम छोटे पैटर्न की पहचान करते हैं जो बड़े पैटर्न से मेल खाते हैं और अंतिम पैटर्न बनाने के लिए उन्हें एक साथ रखते हैं। इसलिए, यह एक बहुत शक्तिशाली उपकरण है, विशेष रूप से दृश्य मान्यता कार्यों के लिए।

तो, फिर, CVPR सम्मेलन का मुख्य विषय कंप्यूटर दृष्टि के साथ पैटर्न की मान्यता है।

हाँ, यह सही है।

और पैटर्न मान्यता यह है कि प्रौद्योगिकी वास्तव में किसके लिए प्रयास करती है।



हां बिल्कुल। वास्तव में, कंप्यूटर दृष्टि का उद्देश्य पिक्सेल में अर्थ को कैप्चर करना है। तकनीकी दृष्टिकोण से बोलते हुए, कंप्यूटर को यह समझने की आवश्यकता है कि छवि क्या है, और हमें इसके बारे में एक निश्चित संख्यात्मक या प्रतीकात्मक परिणाम मिलता है। उदाहरण के लिए, एक संख्यात्मक परिणाम एक त्रि-आयामी बिंदु बादल हो सकता है जो अंतरिक्ष की संरचना या किसी वस्तु के आकार का वर्णन करता है। यह कुछ अर्थिक लेबलों से भी जुड़ा हो सकता है, जैसे कि "कुत्ता" या "बिल्ली", जैसा कि मैंने पहले कहा था।

मैं देखता हूं। तो चलो टैग के बारे में थोड़ा बात करते हैं। मशीन सीखने की प्रक्रिया की एक दिलचस्प और महत्वपूर्ण विशेषता यह तथ्य है कि कंप्यूटर को पिक्सेल और लेबल दोनों प्रदान करने की आवश्यकता होती है।

हां बिल्कुल।

आपने उन तीन चीजों के बारे में बात की जो कंप्यूटर दृष्टि के संदर्भ में आपके लिए सबसे दिलचस्प हैं। वीडियो, चेहरे और कला और मल्टीमीडिया। आइए उनमें से प्रत्येक के बारे में व्यक्तिगत रूप से बात करें, और अपने वर्तमान शोध से शुरू करें, जिसे आप वीडियो की "समझ" कहते हैं।

हां। अभिव्यक्ति "समझ वीडियो" खुद के लिए बोलती है। इनपुट के रूप में, हम छवियों के बजाय वीडियो का उपयोग करते हैं। यहां न केवल पिक्सेल को पहचानना महत्वपूर्ण है, बल्कि यह भी ध्यान रखना है कि वे कैसे चलते हैं। कंप्यूटर दृष्टि के लिए, छवि मान्यता एक स्थानिक समस्या है। वीडियो के मामले में, यह अनुपात-लौकिक बन जाता है क्योंकि एक तीसरा - लौकिक - आयाम दिखाई देता है। और यदि आप स्ट्रीमिंग वीडियो से जुड़े कई वास्तविक कार्यों को देखते हैं, चाहे वह इनडोर निगरानी कैमरे हों या राजमार्ग पर सड़क के कैमरे, नीचे की रेखा यह है कि ऑब्जेक्ट फ़्रेम की एक निरंतर धारा में घूम रहा है। और हमें इस धारा से जानकारी निकालने की आवश्यकता है।

ऐसे कैमरे बड़ी मात्रा में वीडियो सामग्री बनाते हैं। सुरक्षा कैमरे जो सुपरमार्केट और इस तरह घड़ी के आसपास शूट करते हैं। इन रिकॉर्ड्स से आप लोगों को क्या लाभ मिल सकता है?

मेरी टीम एक ऊष्मायन परियोजना पर काम कर रही है, जिसमें हम एक मौलिक तकनीक का निर्माण करते हैं। इस परियोजना के हिस्से के रूप में, हम सड़कों पर यातायात का विश्लेषण करने की कोशिश कर रहे हैं। शहरों में भारी संख्या में रोड कैमरे लगाए गए हैं, लेकिन उनके द्वारा रिकॉर्ड किए गए अधिकांश वीडियो व्यर्थ हैं। हालाँकि, ये कैमरे उपयोगी हो सकते हैं। आइए एक उदाहरण देखें: आप ट्रैफिक लाइट को अधिक कुशलता से नियंत्रित करना चाहते हैं। आमतौर पर लाल और हरे रंग के संकेतों का परिवर्तन निर्धारित समय से होता है। हालांकि, अगर मैंने देखा कि बहुत कम कारें दूसरों की तुलना में एक दिशा में आगे बढ़ रही थीं, तो आंदोलन को अनुकूलित करने के लिए, मैं हरे रंग को लंबे समय तक ओवरलोड दिशाओं में रख सकता था। यह सिर्फ एक एप्लीकेशन है।

कृपया इस विचार का अनुवाद करें!

हम कोशिश करेंगे!

हममें से कौन लाल ट्रैफिक लाइट पर खड़ा नहीं था, हालांकि दूसरी दिशा में हरे रंग पर लगभग कोई नहीं चढ़ता था?

यहाँ यह है!

बस के बारे में, आप अपने आप से पूछते हैं: मुझे इंतजार क्यों करना पड़ता है?



मैं सहमत हूं। यह तकनीक अन्य मामलों में भी लागू की जा सकती है, उदाहरण के लिए, जब हमने वीडियो रिकॉर्डिंग के बड़े संग्रह जमा किए हैं। मान लीजिए कि नागरिकों ने अतिरिक्त बाइक लेन के लिए कहा। हम वीडियो का उपयोग कर सकते हैं, ट्रैफ़िक डेटा का विश्लेषण कर सकते हैं, और फिर तय कर सकते हैं कि इस जगह पर बाइक का रास्ता बनाना है या नहीं। इस तकनीक को शुरू करने से, हम यातायात के प्रवाह को महत्वपूर्ण रूप से प्रभावित कर सकते हैं और शहरों को ऐसे निर्णय लेने में मदद कर सकते हैं।

मुझे लगता है कि यह एक महान विचार है, क्योंकि ज्यादातर मामलों में हम अपने विचारों के आधार पर ऐसे निर्णय लेते हैं, न कि आंकड़ों पर, जिन्हें देखकर हम कह सकते हैं: “अरे, तुम्हें पता है, यहाँ बाइक का रास्ता बहुत अच्छा होता वैसे। और यहाँ यह केवल आंदोलन को जटिल करेगा। ”

यह सही है। कभी-कभी इसके लिए अन्य सेंसर का उपयोग किया जाता है। वे एक कंपनी को किराए पर लेते हैं जो सड़कों पर विशेष उपकरण स्थापित करती है। लेकिन यह आर्थिक रूप से अक्षम है। लेकिन सड़क के कैमरे पहले से ही स्थापित हैं और बस घूमते हैं। वीडियो स्ट्रीम पहले से उपलब्ध हैं। है ना? तो क्यों न इसका फायदा उठाया जाए?

मैं सहमत हूं। यह एक बेहतरीन उदाहरण है कि कैसे मशीन लर्निंग और वीडियो समझ को लागू किया जा सकता है।

वास्तव में।

तो, आवेदन का एक और महत्वपूर्ण क्षेत्र चेहरा पहचान है। हम फिर से सवाल पर लौटते हैं "हम अभी भी चेहरे की पहचान की समस्या पर काम क्यों कर रहे हैं?"

यह सही है।

वैसे, कुछ मामलों में ऐसी तकनीकों को बहुत दिलचस्प तरीके से लागू किया जा सकता है। हमें बताएं कि चेहरा पहचानने के क्षेत्र में क्या हो रहा है। यह कौन करता है और नया क्या है?

जब मैं अभी भी लाइव लैब्स रिसर्च में काम कर रहा था तब माइक्रोसॉफ्ट द्वारा फेस रिकग्निशन तकनीक का अध्ययन किया गया था। फिर हमने पहला फेस रिकग्निशन लाइब्रेरी बनाया, जिसे विभिन्न उत्पाद विकास समूह उपयोग कर सकते हैं। इस तकनीक को पहली बार Xbox पर पेश किया गया था। तब डेवलपर्स ने सिस्टम में स्वचालित रूप से लॉग इन करने के लिए चेहरे की पहचान का उपयोग करने की कोशिश की। मुझे लगता है कि यह पहला मामला था। समय के साथ, चेहरे की पहचान के अध्ययन का केंद्र माइक्रोसॉफ्ट रिसर्च एशिया में स्थानांतरित हो गया, जहां हमारे पास अभी भी शोधकर्ताओं का एक समूह है, जिनके साथ मैं सहयोग करता हूं।

हम लगातार संभव की सीमाओं का विस्तार करने की कोशिश कर रहे हैं। अब हम तकनीकी सेवाओं के साथ काम कर रहे हैं ताकि हमें अधिक डेटा एकत्र करने में मदद मिल सके। इस डेटा के आधार पर, हम और अधिक उन्नत मॉडल प्रशिक्षित करते हैं। हाल ही में, हमने अनुसंधान की दिशा पर ध्यान केंद्रित किया है, जिसे हम "मान्यता के संरक्षण के साथ चेहरे का संश्लेषण" कहते हैं। विशेषज्ञों का गहन शिक्षण समुदाय भी बहुत सफल रहा है। वे जेनेरिक मॉडल को प्रशिक्षित करने के लिए गहरे नेटवर्क का उपयोग करते हैं जो छवियों के वितरण को अनुकरण कर सकते हैं ताकि डेटा को इससे निकाला जा सके, अर्थात, वास्तव में छवि को संश्लेषित किया जाए। तो आप गहरे नेटवर्क बना सकते हैं जो चित्र बनाते हैं।

लेकिन हम एक कदम आगे जाना चाहते हैं। हम चेहरों को संश्लेषित करना चाहते हैं। साथ ही, हम इन व्यक्तियों की मान्यता को बनाए रखना चाहते हैं। हमारे एल्गोरिदम को केवल बिना किसी अर्थ अर्थ के चेहरे का एक मनमाना सेट नहीं बनाना चाहिए। मान लीजिए हम ब्रैड पिट के चेहरे को फिर से बनाना चाहते हैं। आपको एक चेहरा बनाने की ज़रूरत है जो वास्तव में उसके जैसा दिखता है। यदि आपको उस व्यक्ति के चेहरे को फिर से बनाने की आवश्यकता है जिसे मैं जानता हूं, तो परिणाम सटीक होना चाहिए।

यही है, आप उस व्यक्ति की पहचान बनाए रखना चाहते हैं जिसे आप फिर से बनाने की कोशिश कर रहे हैं?

ठीक है।

वैसे, मुझे आश्चर्य है कि क्या यह तकनीक एक व्यक्ति की उम्र के रूप में लंबे समय तक काम करेगी, या व्यक्तियों के साथ डेटाबेस को लगातार अपडेट करना आवश्यक होगा?

यह बहुत अच्छा प्रश्न है। हम वर्तमान में इस समस्या को हल करने के लिए अनुसंधान कर रहे हैं। तकनीक के वर्तमान स्तर पर, समय-समय पर डेटाबेस को अपडेट करना आवश्यक है। खासकर अगर चेहरा बहुत बदल गया हो। उदाहरण के लिए, यदि प्लास्टिक सर्जरी की गई थी, तो आधुनिक प्रणाली सही परिणाम नहीं दे पाएगी।

रुको, यह तुम नहीं हो।

हां, यह पूरी तरह से अलग है। इस मुद्दे पर कई पक्षों से संपर्क किया जा सकता है। मानव चेहरे वास्तव में 17-18 साल और लगभग 50 के बीच नहीं बदलते हैं। लेकिन जन्म के तुरंत बाद क्या होता है? बच्चों के चेहरे बहुत बदल जाते हैं, क्योंकि हड्डियां बढ़ती हैं, और चेहरे और त्वचा का आकार भी बदल जाता है। लेकिन जैसे ही कोई व्यक्ति बड़ा होता है और परिपक्वता के चरण में गुजरता है, परिवर्तन बहुत धीरे-धीरे होने लगते हैं। अब हम अनुसंधान कर रहे हैं, जिसके ढांचे में हम उम्र बढ़ने की प्रक्रिया के मॉडल विकसित कर रहे हैं। वे उम्र के आधार पर एक बेहतर चेहरा पहचान प्रणाली बनाने में मदद करेंगे। वास्तव में, यह एक बहुत ही उपयोगी तकनीक है जिसे कानून प्रवर्तन में लागू किया जा सकता है, उदाहरण के लिए, कई साल पहले अपहरण किए गए बच्चों को पहचानने के लिए ...

वे बहुत अलग दिखते हैं।

हां, वे अलग दिखते हैं। यदि स्मार्ट चेहरा पहचान एल्गोरिदम मूल तस्वीर पर विचार कर सकता है ...

और कहने के लिए, 14 साल की उम्र में वे क्या दिखेंगे अगर उनका बहुत पहले अपहरण कर लिया गया था, या ऐसा कुछ?

हाँ, हाँ, बिल्कुल।

यह एक बेहतरीन एप्लीकेशन है। आइए एक और क्षेत्र के बारे में बात करें जिसे आप सक्रिय रूप से तलाश रहे हैं - मल्टीमीडिया और कला। हमें बताएं कि विज्ञान कला के साथ कैसे अंतर करता है, और विशेष रूप से कलात्मक शैली के गहन हस्तांतरण के क्षेत्र में आपके काम के बारे में।

सब ठीक है। लोगों की जरूरतों पर एक नज़र डालें। सबसे पहले, हमें भोजन, पानी और नींद की आवश्यकता है, है ना? एक बार बुनियादी जरूरतों को पूरा करने के बाद, एक व्यक्ति को कला के लिए एक मजबूत इच्छा होती है ...

और बनाने की इच्छा।

और आर्ट ऑब्जेक्ट बनाएं। अनुसंधान के इस क्षेत्र के भाग के रूप में, हम कंप्यूटर की दृष्टि को मल्टीमीडिया और कला की कला वस्तुओं से जोड़ना चाहते हैं। हम लोगों को कलात्मक आनंद देने के लिए कंप्यूटर दृष्टि का उपयोग कर सकते हैं। एक अलग शोध परियोजना के भाग के रूप में जो हम पिछले दो वर्षों से काम कर रहे हैं, हमने एल्गोरिदम का एक क्रम बनाया है जिसके साथ आप किसी भी कलात्मक शैली में एक छवि बना सकते हैं यदि इस शैली के नमूने प्रदान किए जाते हैं। उदाहरण के लिए, हम वान गाग की शैली में एक छवि बना सकते हैं।

वन गोग?

हां, या कोई अन्य कलाकार ...

नवीनीकरण या मोनेट ... या पिकासो।

हाँ, उनमें से कोई भी। कोई भी आपको याद कर सकता है ...

यह तो इंटरेस्टिंग है। पिक्सेल का उपयोग करना?

हाँ, पिक्सेल का उपयोग कर। यह भी गहरी नेटवर्क द्वारा बनाया जा रहा है जो हमने विकसित की गई कुछ गहरी शिक्षण तकनीकों का उपयोग करके किया है।

इस शोध में कई क्षेत्रों से ज्ञान की आवश्यकता प्रतीत होती है। आप पेशेवरों को कहां से सक्षम पाते हैं ...

मैं कहूंगा कि एक अर्थ में, हमारा लक्ष्य है ... आप जानते हैं, कला के कार्य हमेशा सभी के लिए उपलब्ध नहीं होते हैं। कुछ कलाकृति वास्तव में बहुत महंगी हैं। इस तरह की डिजिटल तकनीकों की मदद से हम इस तरह के काम को आम लोगों के लिए सुलभ बनाने की कोशिश कर रहे हैं।

उन्हें डेमोक्रेटाइज करें।

हां, जैसा कि आप कहते हैं, लोकतांत्रिक कला।

यह प्रभावशाली है।

हमारा एल्गोरिथ्म आपको प्रत्येक शैली का एक स्पष्ट संख्यात्मक मॉडल बनाने की अनुमति देता है। और हम उन्हें मिला भी सकते हैं यदि हम नई शैली बनाना चाहते हैं। यह एक कलात्मक स्थान के निर्माण की याद दिलाता है जहां हम मध्यवर्ती विकल्पों का अध्ययन कर सकते हैं और यह देख सकते हैं कि एक कलाकार से दूसरे कलाकार के पास जाने पर तकनीक कैसे बदलती है। और हम भी गहराई से देख सकते हैं और यह समझने की कोशिश कर सकते हैं कि वास्तव में किसी विशेष कलाकार की शैली क्या है।

मेरे लिए विशेष रुचि इस तथ्य की है कि, एक ओर, हम संख्याओं के साथ काम करने के बारे में बात कर रहे हैं: कंप्यूटर विज्ञान, एल्गोरिदम और गणित। और दूसरी ओर, कला के बारे में बात करना अधिक आध्यात्मिक श्रेणी है। और फिर भी आपने उन्हें जोड़ दिया, और इससे पता चलता है कि वैज्ञानिक के मस्तिष्क का एक कलात्मक पक्ष हो सकता है।

वास्तव में। मुझे लगता है कि सबसे महत्वपूर्ण उपकरण जिसका उपयोग हम सब कुछ एक साथ करने में मदद करने के लिए करते हैं, वह है आंकड़े।

यह तो इंटरेस्टिंग है।

.

, … – - MSR, – . , ?

. , , -. … . , - . - , , . . .

, , Amazon Mechanical Turk. . , . . , . -, , . -, , .

. . . , . , , . .

, . . , , ?

, . , , . ( ), , , -, .

, .

. , , , , , . . , NIH, - (co-robots).

- ?

-. . , . , . , . , . , . , - , , .

, , . , , ? , , ? . . , , , .

Microsoft Research ?

Microsoft . , 2006-2009 Live Labs. . . , . Nokia Research, IBM Research …

-, ?

, -, . Microsoft Research 2015 . , 2017 .

. ?

. Microsoft Research — . . — . . . . , , , Intelligent Group , .

.

हां।

, , . - , ? -, ?

, , . . : . , , , , , - . . , , , , . , .

… , : , , ? , , , ?

Microsoft (GDPR). , , , , . , . - -, . . , - . , ? , , . . , , , …

, . : « . ».

हाँ, यह सही है।

, , . ? 10 ?

. , . . , . . , .

, , «» . , - , . - , ? . — . , . , , . , . , . . . , …

.



. . . 10-15 , , . , , . , , , .

. , , , .

, !

, , : Microsoft.com/research