Разбираем заказы в картинках: Строительная биржа. Заказы на ремонт и строительство
26.07.2023 
Разное
Строительная биржа. Заказы на ремонт и строительство
Узнайте стоимость услуг
за 10 минут!
Добавьте заявку!
Это не займет у Вас больше минуты
Получите предложения
Сравните предложения от нескольких специалистов, мастеров или компаний
Выберите лучших
Мастера работают напрямую – без посредников
Вы узнаете стоимость услуги уже через 10 минут!
Добавить заказ
Последние отзывы о
мастерах
Мастер Двери
Все отзывы
Здравствуйте, я заказывал мастера на установку 4 межкомнатных дверей. Все понравилось, но установку разделили в 2 этапа, в принципе по срокам не жало, поэтому главное для меня качество.
12 октября 2020
Вячеслав Антонов
Все отзывы
Добрый день, договорились с мастером на штукатурку стен. Был от прошлых мастеров угол, который мне очень не нравился как сделали, он его без проблем переделал. Мастер очень понравился, профессиональный. Работает хорошо, приходит рано, уходит поздно. Как сумму обозначил так мы и рассчитались
12 октября 2020
Сергей Видякин
Все отзывы
Сергей делал в квартире водопровод под ключ со всеми выводами, подключением посудомоечной и стиральной машины. Чисто, аккуратно, профессионально. О таком подходе обычно говорят «делает, как для себя».
04 сентября 2020
Виталий Плясунов
Все отзывы
Скупой платит дважды – это про меня. Нужно было поменять пластиковые окна в коттедже, а там их 17 штук (!). Ну и решил сэкономить, повелся на низкую цену и заказал у одного местного парня, так мало того, что сроки постоянно тянули, ещё и окна новые испортили. Нервотреп вышел неслабый, а дом наполовину с пленкой стоял. Пришлось снова искать мастера. Вышел на Виталия Плясунова, попросил приехать и посмотреть, чтобы изначально понимать на какую сумму рассчитывать.
04 сентября 2020
Михаил Воронцов
Все отзывы
Понравилось, что Михаил постоянно на связи. Помню, в самом начале возникла накладка с доставкой стройматериалов — отгрузили на несколько дней позже. Так он сделал все возможное, чтобы сдать фундамент в срок.
Работает честно, держит в курсе происходящего. Можно в любой момент запросить фото с площадки, посмотреть, как продвигается работа. Качество хорошее, знакомый рассказал, что в компании, куда он обращался, вечно партачили — то сваи не докручивают, то приваривают в паре мест, а должны полностью проходиться, подменяли материалы.
04 сентября 2020
Карбышев Кирилл Алексеевич
44 отзывова
До этого мастера у нас работали 2 бригады, который оказались запойными пьяницами. С Кириллом мы наконец закончили ремонт и смогли вселиться в квартиру.
Добавлен 1 день назад
Юрий Гришин
44 отзывова
Понравилось то, что в итоге работа была сделана. Также мастер докладывал плитку фартука из кабанчика. Плитка фартука была порезана более-менее аккуратно.
Добавлен 1 день назад
Виноградов Алексей
44 отзывова
У мастера не оказалось хорошего плиткореза, в итоге он подпортил значительное количество материала.
При приемке работ к ремонтнику возникли претензии, т.к. плитка была уложена не по уровню.
Добавлен 1 день назад
Кичерман Михаил Александрович
44 отзывова
Монтаж гипсокартонного потолка и перегордки были выполнены идеально! Мастерству Михаила можно только позавидовать. Очень рекомендую.
Добавлен 1 день назад
Якимовец Павел
44 отзывова
После окончания работ — мастер убрал за собой весь инструмент, мусор, собрал в мешки и вынес в пухто. Очень аккуратный и добропорядочный человек.
Добавлен 1 день назад
Все отзывы проверены службой контроля качества. Рекомендации по работе с мастерами.
За 10 минут узнать стоимость заказа ремонта любой недвижимости и найти квалифицированного мастера для реализации любых дизайнерских решений – это реально на Бирже строительных заказов.
Разместив заказ в базе заказов на ремонт и отделку комнат, квартиры или дома, уже в кратчайшие сроки Вы начнете получать подробные предложения и расчеты стоимости выполнения заказа. Ассортимент откликов – важный фактор, который позволит объективно выбрать подрядчика для реализации проекта любого масштаба и уровня сложности. Также, принять правильное решение – Вам поможет изучение анкет и портфолио выполненных работ наших мастеров и ремонтников.
Если Вы делаете ремонт в квартире своими руками – воспользуйтесь нашей базой идей и знаний в разделе «Статьи о ремонте», а визуализировать все задумки и идеи – поможет Онлайн-планировщик дизайна.
Любой мастер или бригадир, находящийся в поиске строительных заказов или заявок на ремонт и отделку помещений, может зарегистрироваться на бирже и опубликовать объявление или предложение своих услуг, заполнить профиль-анкету, разместить фотографии готовых объектов и начать принимать заказы.
Приоритетное направление работы Биржи www.
zakazremonta.ru – создание честных и комфортных условий для взаимодействия мастера и частного заказчика, БЕЗ ПОСРЕДНИКОВ!
Мастера — на ЗаказРемонта.Ру
Москва и Московская область
Москва
Апрелевка
Балашиха
Барвиха
Бронницы
Видное
Волоколамск
Воскресенск
Голицыно
Дзержинский
Дмитров
Домодедово
Дубна
Егорьевск
Железнодорожный
Жуковский
Зарайск
Звенигород
Зеленоград
Ивантеевка
Икша
Истра
Кашира
Климовск
Клин
Коломна
Королев
Красноармейск
Красногорск
Луховицы
Лыткарино
Люберцы
Можайск
Мытищи
Наро-Фоминск
Нахабино
Ногинск
Одинцово
Орехово-Зуево
Павловский Посад
Подольск
Пушкино
Раменское
Реутов
Руза
Сергиев Посад
Серпухов
Солнечногорск
Старая Купавна
Ступино
Троицк
Фрязино
Химки
Хотьково
Чехов
Шатура
Щёлково
Электросталь
Яхрома
Санкт-Петербург и Ленинградская область
Санкт-Петербург
Волосово
Волхов
Всеволжск
Выборг
Гатчина
Ивангород
Кингисепп
Кириши
Кировск
Кудрово
Луга
Мурино
Никольское
Приозерск
Рощино
Сертолово
Сланцы
Сосновый Бор
Тихвин
Тосно
Другие города
Абакан
Барнаул
Белгород
Волгоград
Воронеж
Екатеринбург
Казань
Краснодар
Красноярск
Нижний Новгород
Новосибирск
Омск
Орел
Пермь
Ростов-на-Дону
Самара
Саратов
Ставрополь
Тула
Уфа
Хабаровск
Челябинск
Ярославль
Средство поиска изображений структурированной литературы: разбор текста и рисунков в биомедицинской литературе
- Список журналов
- Рукописи авторов HHS
- PMC4075770
Являясь библиотекой, NLM предоставляет доступ к научной литературе.
Включение в базу данных NLM не означает одобрения или согласия с
содержание NLM или Национальных институтов здравоохранения.
Узнайте больше о нашем отказе от ответственности.
Веб-семан. Авторская рукопись; доступно в PMC 2014 30 июня. 1 июля 2010 г .; 8(2-3): 151–154.
doi: 10.1016/j.websem.2010.04.002PMCID: PMC4075770
NIHMSID: NIHMS494721
PMID: 24991197 90 011
, а, б , а , в, г, е , с, д, д , д , а, б, в, д, д, ф , а, б, в, г , e и a, c, d, e, f, g
Информация об авторе Информация о лицензии Отказ от ответственности
Проект SLIF сочетает в себе анализ текста и обработку изображений.
извлекать структурированную информацию из биомедицинской литературы.
SLIF извлекает изображения и подписи к ним из опубликованных статей. Заголовки автоматически анализируются для соответствующих биологических объектов (названия белков и типов клеток), а изображения классифицируются в соответствии с их типом (например, микрофотография или гель). Изображения флуоресцентной микроскопии дополнительно обрабатываются и классифицируются в соответствии с изображенной внутриклеточной локализацией.
Результаты этого процесса можно запросить в режиме онлайн с помощью удобного веб-интерфейса или веб-службы на основе XML. В качестве альтернативы парадигме целевого запроса SLIF также поддерживает просмотр коллекции на основе скрытых тематических моделей, полученных как из аннотированного текста, так и из данных изображения.
Веб-приложение SLIF, а также размеченные наборы данных, используемые для обучения компонентов системы, находятся в открытом доступе по адресу http://slif.
cbi.cmu.edu.
Биомедицинские исследования приводят к очень большому объему информации в виде публикаций. Перед исследователями стоит сложнейшая задача запроса и поиска этих публикаций, чтобы быть в курсе последних событий и отвечать на конкретные вопросы.
В биомедицинской литературе данные чаще всего представлены в виде изображений. Изображение флуоресцентной микрофотографии (FMI) или геля иногда является ключом ко всей статье. Системы поиска литературы должны предоставить биологам структурированный способ просмотра неструктурированных знаний таким образом, который вдохновляет их задавать вопросы, о которых они никогда не думали раньше, или находить релевантную информацию, которую они никогда бы не искали в явном виде.
В соответствии с этой целью наша команда разработала первую систему автоматического извлечения информации из изображений в статьях биологических журналов («Subcellular Location Image Finder» или SLIF, впервые описанная в 2001 году [1]). С тех пор мы сообщили о ряде улучшений системы SLIF [2, 3, 4].
В связи с возможностью принять участие в Elsevier Grand Challenge мы внесли в систему значительные усовершенствования и дополнения. Частично отражая это, мы переименовали SLIF в «Поиск изображений структурированной литературы». Новый SLIF предоставляет как конвейер для извлечения структурированной информации из документов, так и доступную через Интернет базу данных обработанной информации с возможностью поиска. Пользователи могут запрашивать в базе данных информацию, появляющуюся в подписях или изображениях, включая определенные слова, названия белков, типы панелей, шаблоны на рисунках или любую комбинацию вышеперечисленного. Мы также добавили мощный инструмент для организации рисунков по темам, выведенным как из изображения, так и из текста, и предоставили новый интерфейс, который позволяет просматривать рисунки по их предполагаемым темам и переходить к связанным рисункам из любого просматриваемого в данный момент рисунка.
SLIF состоит из конвейера для извлечения структурированной информации из документов и веб-приложения для доступа к этой информации.
Конвейер SLIF разбит на три основных раздела: обработка титров, обработка изображений и обнаружение скрытых тем, как показано на рис.
Открыть в отдельном окне
SLIF Pipeline. На этом рисунке показан конвейер обработки бумаги.
Конвейер начинается с поиска всех пар «рисунок-подпись» и создания записей в базе данных для каждой из них. Каждая подпись затем обрабатывается для идентификации биологических объектов (названия белков и клеточных линий), и они связываются с внешними базами данных.
Секция обработки изображений начинается с разделения каждой фигуры на составляющие панели, а затем определения типа изображения, содержащегося в каждой панели. Первоначальная система SLIF была обучена распознавать только те панели, которые содержат изображения флуоресцентного микроскопа (FMI), но в рамках работы над Elsevier Challenge мы расширили SLIF для распознавания других типов панелей. Паттерны в FMI затем описываются с использованием набора биологически значимых признаков изображения [1], и распознается субклеточное местоположение, изображенное на каждом изображении.
Первые два раздела приводят к сегментированным панелям, структурно и мультимодально аннотированным рисункам. Последним шагом в конвейере является обнаружение набора скрытых тем, присутствующих в коллекции статей. Эти темы называются топиками и служат основой для визуализации и семантического представления. Например, ожидается, что тема «туморогенез» с высокой вероятностью будет содержать такие слова, как («опухоль», «положительный», «h2b»), и такие белки, как («Каспаза», «Актин»), которые, как известно, связаны с туморогенез. Каждый рисунок, в свою очередь, представлен как распределение по этим темам, и это распределение отражает темы, рассматриваемые на рисунке. Это представление служит основой для различных задач, таких как поиск на основе изображений, поиск на основе текста и поиск на основе мультимодальных данных. Более того, эти обнаруженные темы дают представление об информационном содержании коллекции и структурно направляют ее исследование. Например, пользователь может запросить статьи с рисунками, в которых широко представлена тема «опухолегенеза».
Результаты обработки документов хранятся в поисковой базе данных и доступны пользователю через интерактивный веб-интерфейс. Пользователь может запросить в базе данных любую комбинацию: текста в заголовках, белков, извлеченных аннотаторами названий белков, различных свойств панелей изображений (тип панели или разрешение в пикселях) или изображений, изображающих конкретное субклеточное местоположение (выведенных из изображения или получено из базы данных белковых аннотаций). Пользователь также может просматривать или просматривать скрытые темы, обнаруженные на рисунках и подписях.
Результаты могут быть представлены на нескольких уровнях (уровень панели, рисунка или бумаги), и пользователь может переключаться между этими вариантами представления из текущих результатов. Всегда предоставляется ссылка на оригинальную публикацию.
По результатам поиска пользователи также могут просмотреть лежащие в их основе документы или запись UniProt, соответствующую названию извлеченного белка.
Они также могут уточнить результаты поиска, добавив дополнительные условия. В качестве альтернативы, используя скрытые темы, пользователи могут структурно просматривать неструктурированную коллекцию, предоставляя системе обратную связь о релевантности (интерактивно помечая определенные результаты как релевантные), чтобы направлять систему для отображения целевых результатов пользователя.
Мы также делаем результаты доступными через архитектуру веб-сервиса. Это позволяет другим машинам автоматически обрабатывать результаты SLIF. Для набора обработанных результатов мы публикуем документ WSDL (язык описания веб-служб) на сервере SLIF, в котором объявляется процедура запроса к базе данных для клиентов на стандартном языке описания на основе XML. Клиенты могут запрашивать SLIF, используя запрос на основе XML, отправленный в виде сообщения SOAP (Simple Object Access Protocol). Результаты отправляются обратно сообщением в формате на основе XML.
Первоначальная версия SLIF фокусировалась на поиске микрофотографий, изображающих определенный паттерн, но не могла связать этот паттерн с конкретным белком.
Текущая система анализирует заголовок для этой информации.
Информация о белке, изображенном на данном рисунке, должна быть указана в его подписи, но структура подписей может быть достаточно сложной (особенно для многопанельных рисунков). Поэтому мы идентифицируем «указатели изображений» (например, ( A ) или ( красный 9).0016 )) в подписи, которые относятся к определенным меткам панели или цветам панели на рисунке [2], разделив подпись на фрагменты (или «области»), которые относятся к отдельной панели, цвету или всему рисунку.
Следующим шагом является сопоставление указателей изображения с метками панели, найденными во время обработки изображения. Исправляем ошибки оптического распознавания символов, используя закономерности в расположении надписей (если буквы от A до D встречаются как указатели на изображения и если надписи на панелях распознаются как A,B,G и D, то следует исправлять букву G к С). Было обнаружено, что точность окончательного процесса сопоставления составляет 83%, а полнота — 74% [5].
Распознавание именованных объектов (таких как названия белков и клеток) в произвольном тексте — сложная задача, которая может быть еще более сложной в сжатом тексте, таком как заголовки. В текущей версии SLIF мы реализовали две схемы распознавания названий белков. Первый использует функции префикса и суффикса вместе с непосредственным контекстом для идентификации имен белков-кандидатов. Этот подход имеет низкую точность, но хорошую полноту (что полезно для поиска в базе данных аббревиатур или синонимов, которые могут отсутствовать в базах данных структурированных белков) [6]. Второй подход использует точное сопоставление со словарем имен, извлеченным из баз данных белков. Названия белков, найденные с помощью этого подхода, могут быть связаны с соответствующей записью в базе данных белков.
В нашем конвейере обработки изображений мы начинаем с разделения извлеченных фигур на составляющие их компоненты, поскольку в большинстве случаев фигуры состоят из нескольких панелей.
Для этого мы рекурсивно разбиваем изображения по вертикальным или горизонтальным граничным областям. Ранее мы показали, что алгоритм может эффективно разделять фигуры со сложной компоновкой панелей [1].
SLIF изначально был разработан для обработки только панелей FMI. В рамках нашей работы над Elsevier Challenge мы расширили классификацию на другие типы панелей. Это отражает другие системы, появившиеся после оригинального SLIF, которые включают в себя больше типов панелей [7, 8, 9].].
Мы вручную промаркировали около 700 панелей по шести классам панелей: (1) FMI, (2) гель, (3) график или иллюстрация, (4) световая микроскопия, (5) рентгеновский снимок или (6) фотография с использованием схема активного обучения [10] для оптимизации наших усилий по маркировке.
Мы решили сначала сосредоточиться на создании высококачественного классификатора для класса gel , учитывая его важность для работающего ученого. Используя алгоритм обучения дерева решений, основанный как на текстовых, так и на графических признаках, мы получили очень высокую точность (91%) за счет умеренного отзыва (66%).
Когда ни FMI, ни гель-детектор не были положительными, мы использовали классификатор признаков изображения общего назначения для других классов (точность: 69%).
Флуоресцентные панели дополнительно обрабатываются для идентификации изображенной субклеточной локализации. Чтобы предоставить обучающие данные для классификаторов паттернов, мы вручную пометили набор изображений в четыре различных класса субклеточной локализации: (1) ядерный , (2) цитоплазматический , (3) точечный и (4) другие , снова используя активное обучение для выбора изображений для маркировки. По 3 основным классам (ядерный, цитоплазматический и точечный) мы получили точность 75% (как и прежде, сообщаемая точность оценивается с использованием 10-кратной перекрестной проверки, а используемый классификатор основан на libSVM). На четырех классах мы получили точность 61%.
Панели были связаны с их областями на основе текстовой информации, содержащейся в самой панели и областях, окружающих панели.
Каждая фигура состоит из набора панелей и набора подизображений, которые слишком малы, чтобы быть панелями. Все эти субизображения были проанализированы с использованием оптического распознавания символов (OCR) для выявления потенциальных указателей изображения. Подпись к каждой фигуре анализировалась, чтобы найти набор связанных указателей на изображения. Указатели изображений на субизображениях и в подписях совпадали. Каждая панель была сопоставлена с ближайшим уникальным указателем изображения, найденным на рисунке, с помощью OCR. Это позволило напрямую связать панели с текстовой информацией, найденной в области подписи.
Цель обнаружения тем — дать пользователю возможность структурно просматривать неструктурированную коллекцию. Эта проблема напоминает активно развивающуюся область управления и поиска мультимедийной информации. Однако структурно-аннотированных биологических фигур ставят ряд новых задач [11]. Во-первых, рисунки могут состоять из нескольких структурированных панелей.
Части подписи связаны с данной панелью, в то время как другие части подписи являются общими для всех панелей и предоставляют контекстную информацию. Во-вторых, в отличие от большинства связанных наборов данных текст-изображение, текстовая аннотация, связанная с каждым рисунком, имеет свободную форму, и не все из них имеют отношение к графическому содержанию рисунка. Наконец, заголовок рисунка содержит в дополнение к тексту определенные объекты, такие как названия белков или их субклеточные местоположения. Чтобы решить эти проблемы, мы разработали то, что мы называем структурированной тематической моделью корреспонденции. Для полной спецификации модели мы отсылаем читателя к [11].
Входными данными для системы тематического моделирования являются сегментированные панели, структурно и мультимодально аннотированные биологические фигуры. Цель нашего подхода — обнаружить набор скрытых тем в коллекции бумаг Elsevier. Эти темы называются топиками и служат основой для визуализации и семантического представления.
Каждая фигура, панель и объект белка затем представляются как распределение по этим скрытым темам. Это представление служит основой для различных задач, таких как поиск изображений, текста или мультимодальный поиск, а также аннотирование изображений.
6.1. Структурированный просмотр и обратная связь по релевантности
Тематические модели предоставляют пользователю возможность взглянуть на коллекцию документов с высоты птичьего полета, отображая набор тем, которые обобщают темы, рассматриваемые в коллекции. Если тема интересует биолога, он может щелкнуть кнопку обзора, чтобы увидеть все панели (рисунки), относящиеся к этой теме, или все документы, содержащие эти рисунки.
Кроме того, если у биолога есть потребность в целенаправленном поиске, система может ограничить отображаемые темы теми темами, которые связаны с панелями (рисунками), интересующими биолога. Например, предположим, что биолог искал высокое — разрешение , FMI панели, содержащие белок MT1-MMP .
Затем биолог может щелкнуть ссылку « просмотреть связанные темы » под отображаемой панелью. Система отобразит только темы, рассмотренные на этой панели, и если одна из этих тем заинтересует биолога, он может затем просмотреть другие панели, которые показывают закономерности, захваченные этой темой, нажав кнопку обзора (см. [11]). , 12] для более подробной информации).
По результатам любого запроса SLIF пользователь может пометить панели (или рисунки) как интересные и попросить SLIF получить панели (рисунки), аналогичные отмеченным. Затем SLIF ранжирует панели (рисунки) в базе данных на основе сходства их скрытых представлений со скрытым представлением выбранных панелей (рисунков). Этот процесс можно рекурсивно повторять для уточнения результата поиска, пока не будет достигнут удовлетворительный результат.
Мы провели исследование пользователей, чтобы проверить удобство использования и полезность нашей технологии. Подробное описание исследования дано в [12].
Здесь мы отметим лишь основные аспекты исследования.
Нашими целевыми пользователями были аспиранты в области биологии, вычислительной биологии и биомедицинской инженерии. Каждому пользователю была предоставлена инструкция, в которой описывался набор задач, которые нужно было выполнить с использованием как SLIF, так и традиционной поисковой системы (которую пользователь мог выбирать). Примеры этих задач включают поиск изображений данного белка с высоким разрешением и документов с изображениями, относящимися к субклеточному местоположению. Пользователю было дано краткое общее введение в цели проекта, но не было конкретных указаний о том, как использовать веб-сайт, чтобы максимально приблизиться к реальным условиям.
Пользователям было предложено оставить отзыв, отвечая на вопросы, связанные с различными задачами, а также на общие отзывы. Большинство ответов были в свободной форме, чтобы получить комментарии, которые позволили бы нам улучшить систему.
На вопрос «Насколько полезным вы считаете SLIF в целом?», шесть из восьми пользователей сочли SLIF полезным, а седьмой заявил, что у системы «большой потенциал» (вопрос был задан в произвольной форме, и мы оценили ответы как положительные или отрицательные).
отрицательный). В некоторой степени это имитирует результаты Hearst et al. [13], которые провели пользовательское исследование жизнеспособности использования поиска по подписям для поиска соответствующих статей в литературе по биологическим наукам и обнаружили, что «7 из 8 [пользователей] сказали, что они будут использовать поисковую систему с такой функцией». Только один пользователь обнаружил, что альтернативная поисковая система дала лучшие результаты. Половина считает, что SLIF лучше и актуальнее, а остальные трое считают, что результаты нельзя сравнивать напрямую. Более того, шесть из восьми пользователей сказали, что использование тематических моделей для организации информации было очень полезным или интересным (в примере комментария говорится, что это было «полезно с точки зрения изображения «интуитивных» отношений между различными запросами»). Негативные замечания были сосредоточены на том факте, что обычная поисковая система возвращает больше результатов, чем SLIF, который работает с меньшим набором документов (по сравнению с поисковой системой, такой как Google), а также на отдельных моментах пользовательского интерфейса ( которые впоследствии были рассмотрены в пересмотренном интерфейсе).
Мы представили новую версию SLIF, системы, которая анализирует изображения и связанные с ними подписи в биомедицинских документах. SLIF демонстрирует, как анализ текста и обработка изображений могут сочетаться для извлечения информации из научных данных. Фигуры разбиты на составляющие их панели, которые обрабатываются отдельно. Панели подразделяются на разные типы, в настоящее время основное внимание уделяется изображениям FMI и геля, но это может быть распространено на другие типы. FMI дополнительно обрабатываются путем их классификации по изображенному шаблону субклеточного местоположения. Результаты этого конвейера доступны либо через веб-интерфейс, либо программно с использованием технологии SOAP.
Новым дополнением к нашей системе является обнаружение скрытых тем, которое выполняется с использованием как текста, так и изображения. Это позволяет пользователям просматривать коллекцию документов, ища связанные темы. Это включает в себя возможность интерактивной маркировки определенных изображений как соответствующих конкретным интересам, которую система использует для обновления своей оценки интересов пользователей и предоставления им более целенаправленных результатов.
Хотя очень важно, чтобы отдельные компоненты давали хорошие результаты (и мы показали хорошие результаты в наших подзадачах), хорошей производительности компонентов недостаточно для работающей системы. SLIF — это производственная система, которую ученые, работающие в области биомедицины, охарактеризовали как «очень полезную».
Проект SLIF в настоящее время поддерживается грантом NIH R01 GM078622. Л.П.К. поддерживается Fundação para a Ciência e Tecnologia (SFRH/BD/37535/2007).
1. Мерфи Р.Ф., Веллисте М., Яо Дж., Поррека Г. Поиск в онлайн-журналах изображений флуоресцентного микроскопа, изображающих паттерны субклеточного расположения белков. BIBE ’01: Материалы 2-го Международного симпозиума IEEE по биоинформатике и биоинженерии, Компьютерное общество IEEE; Вашингтон, округ Колумбия, США. 2001. стр. 119–128. [Академия Google]
2. Коэн В.В., Ван Р., Мерфи Р.Ф. Понимание заголовков в биомедицинских публикациях. KDD ’03: Материалы девятой международной конференции ACM SIGKDD по открытию знаний и интеллектуальному анализу данных; ACM, Нью-Йорк, штат Нью-Йорк, США.
2003. стр. 499–504. [Google Scholar]
3. Мерфи Р.Ф., Коу З., Хуа Дж., Джоффе М., Коэн В.В. Извлечение и структурирование информации о субклеточном местоположении из журнальных статей в Интернете: поиск изображений субклеточного местоположения. Материалы Международной конференции IASTED по обмену знаниями и совместной разработке; 2004. стр. 109.–114. [Google Scholar]
4. Коу З., Коэн В.В., Мерфи Р.Ф. Многоуровневая графическая модель для связывания субизображений с субтитрами. Материалы Тихоокеанского симпозиума по биокомпьютингу World Scientific. 2007: 257–268. [Бесплатная статья PMC] [PubMed] [Google Scholar]
5. Kou Z, Cohen WW, Murphy RF. Извлечение информации из текста и изображений для протеомики местоположения. В: Zaki MJ, Wang JTL, Toivonen H, редакторы. Труды БИОКДД; 2003. С. 2–9. [Google Scholar]
6. Коу З., Коэн В.В., Мерфи Р.Ф. Распознавание белковых объектов с высоким отзывом с использованием словаря. Биоинформатика. 2005; 21: i266–i273. [Бесплатная статья PMC] [PubMed] [Google Scholar]
7.
Geusebroek JM, Hoang MA, van Gernert J, Worring M. Жанровый поиск по биомедицинским изображениям. Материалы 16-й Международной конференции по распознаванию образов; 2002. стр. 271–274. [Google Scholar]
8. Shatkay H, Chen N, Blostein D. Интеграция данных изображения в биомедицинскую категоризацию текста. Биоинформатика. 2006: i446–453. [PubMed] [Google Scholar]
9. Рафкинд Б., Ли М., Чанг С., Ю Х. Изучение признаков текста и изображений для классификации изображений в литературе по биологическим наукам. Материалы семинара BioNLP по связыванию обработки естественного языка и биологии в HLT-NAACL; 2006. С. 73–80. [Академия Google]
10. Рой Н., Маккаллум А. На пути к оптимальному активному обучению путем выборочной оценки уменьшения ошибок. В проц. 18-я международная конф. по машинному обучению; Морган Кауфманн; 2001. стр. 441–448. [Google Scholar]
11. Ахмед А., Син Э., Коэн В., Мерфи Р.Ф. Тематические модели структурированного соответствия для поиска фигур с подписями в биологической литературе.
Материалы конференции ACM по обнаружению знаний и интеллектуальному анализу данных; 2009. С. 39–48. [Бесплатная статья PMC] [PubMed] [Google Scholar]
12. Шейх А.С., Ахмед А., Арнольд А., Коэльо Л.П., Кангас Дж., Син Е.П., Коэн В.В., Мерфи Р.Ф. Технический представитель Школы компьютерных наук Университета Карнеги-Меллона. Питтсбург: США, CMU-CB-09-101; 2009. Средство поиска изображений структурированной литературы: программное обеспечение с открытым исходным кодом для извлечения и распространения информации из текста и рисунков в биомедицинской литературе. [Google Scholar]
13. Херст М.А., Диволи А., Йе Дж. Изучение эффективности поиска по заголовкам в интерфейсах поиска журналов по биологическим наукам. На семинаре ACL 2007 по биоНЛП; 2007. С. 73–80. [Академия Google]
Gurney Journey: анализ изображений
Пост в четверг о машине для рисования под названием Vangobot вызвал оживленную дискуссию о сходствах и различиях между художниками-людьми и запрограммированными машинами.
Как многие из вас заметили в комментариях, Vangobot выполняет физические рисунки, но результаты настолько хороши, насколько хороши инструкции, которые он получает. В результате, Vangobot легко счесть модным струйным принтером.Такие машины, как Vangobot, могут развивать навыки работы с кистями и красками, но будут ли они когда-нибудь обладать художественным мышлением? Можно ли запрограммировать компьютер так, чтобы он видел и интерпретировал мир так же, как это делает опытный художник?
Это качества «глаза» или «ума» или даже «души» больше, чем «руки». Читатель блога М.П. привел цитату преподавателя рисования девятнадцатого века Джеймса Даффилда Хардинга, который охарактеризовал великого художника как обладающего инстинктом «выбора, расположения, настроения и красоты», а не просто воспроизведением реальности.
Давайте посмотрим на фотографию двух людей в парковой обстановке. Как бы опытный художник преобразил этот образ? Обратите внимание на разницу в интерпретации этого мастера живописи.
Детали на лицах прорисованы точно, но для листвы используются более грубые кисти. Драпировка эффектно написана крупными рубящими мазками. Небо раскрашено рыхло пятнами света. Тротуарная плитка в перспективе, но она лишь намекает тонкими лихими штрихами. Цвета становятся теплее и интенсивнее.
Давайте посмотрим на другой пример, фотографию пейзажной сцены, состоящей из неба, деревьев, воды и камня.
Опытный маляр использует различные способы обработки краски в зависимости от материала. Вода нарисована длинными горизонтальными мазками, камни нарисованы плоскими кистями, а утки аккуратно нарисованы маленькими кистями.
Обратите внимание, насколько это отличается от стандартного «фильтра художественной мазни» из Photoshop, который просто переводит все в мазки без разбора по всему изображению, не обращая внимания на психологически важные области, такие как лица.
.
Что, если я скажу вам, что «мастер-художник» всех примеров — это компьютер?
Создателями программы являются Кун Цзэн, Минтян Чжао, Цаймин Сюн, Сун-Чун Чжу из Института Лотус Хилл и Калифорнийского университета в Лос-Анджелесе. Цель программного обеспечения состояла в том, чтобы интерпретировать фотографии в живописных терминах.
Процесс начинается с «разбора изображения», когда сцена делится и группируется на различные области неодинаковой важности и неодинакового характера, такие как листва, ветки, драпировка и лица. Каждая область картины имеет разное значение для зрителя и, следовательно, требует разного обращения с краской. Это визуальное значение известно в области искусственного интеллекта как «семантика изображения».
Программное обеспечение для анализа изображений работает как система распознавания лиц в современной цифровой камере, но эта система делает это на гораздо более сложном уровне, распознавая и классифицируя различные элементы по таким категориям, как:
лицо/кожа, волосы, ткань, небо/облако, поверхность воды, вихрь, гора, дорога/здание
камень, земля, дерево/пластик, металл, цветок/плод, трава, лист, ствол/ветка фон и другие.
Анализ изображения похож на то, что делает человек-художник. Художник Арман Кабрера написал об этом недавно в своем посте «Учимся видеть».
Авторы компьютерной программы поручили компьютеру использовать иерархию из 700 различных кистей для каждой из этих форм с различными настройками непрозрачности (в зависимости от того, рисуется ли облако или камень), направления штриха, сухости и влажность, и, конечно же, цвет.
Штрихи наносятся по-разному в зависимости от форм, и они пространственно перекрываются, рисуя от фона к переднему плану, так что объекты впереди «перекрывают» или закрашивают объекты сзади.
Цвета на живописных изображениях смещены в соответствии со статистическим наблюдением, согласно которому типичное распределение оттенков и насыщенности цветов на фотографиях (слева) отличается от таковых на картинах (справа). В картинах меньше синего и зеленого и больше желтого и красного.
Что это значит для традиционных художников? Должны ли мы приветствовать это или беспокоиться? Если это программное обеспечение подключить к Vangobot, любой может купить действительно хороший свадебный портрет, написанный маслом, по приличной свадебной фотографии.
Портативный Vangobot с этим программным обеспечением может начать выигрывать соревнования на пленэре, как компьютеры выигрывали шахматные матчи.
Есть ли какой-то набор навыков, недостижимый для запрограммированных машин? Как размышлял Anonymous в комментариях к последнему посту, «может быть, это похоже на карикатуру, усиление форм, пространства, цвета, эмоций, красоты и тайны?» Смогут ли когда-нибудь компьютеры достичь суждений более высокого уровня, которые Хардинг назвал «отбором, расположением, настроением и красотой?»
Я бы сказал да, да, да и еще раз да. Компьютеры научатся делать карикатуры, и у них это хорошо получится. Они научатся рисовать научную фантастику и фэнтези, а также преобразовывать Ван Гога или Пикассо. Все, что можно разобрать, можно запрограммировать. Чем больше совершенствуются эти компьютеры, тем лучше мы понимаем, что мы делаем как художники. Как хорошо сказал читатель блога Тодд : «Роботы смогут представлять человечество ровно настолько, насколько мы понимаем о самих себе».
Несмотря на все это, я верю, что в великих художниках есть что-то неуловимое, какой-то элемент настоящей гениальности, который всегда будет оставаться вне досягаемости материалистического или деконструктивного анализа. Компьютер никогда не сможет сравниться с величием Моцарта, Рембрандта и Шекспира. А для более земных практиков, таких как я, я могу утешиться верой в то, что другим людям всегда будут нравиться работы, пропущенные через человеческое сознание и человеческую руку, точно так же, как мы ценим домашнюю кухню, ручное вязание, деревянные лодки и народную музыку. .
Я считаю, что мы должны поздравить Кун Цзэна, Минтянь Чжао, Цаймин Сюн и Сун-Чунь Чжу и поаплодировать их достижениям. Эти окрасочные системы — не безликие роботы, а творения удивительно ярких людей. Одно можно сказать наверняка: эти новые системы вытеснят определенных художников из бизнеса, они переопределят то, что мы, художники, умеющие делать вручную, а инструменты принесут на стол новые творческие возможности, которые мы даже не можем себе представить.
Leave a Comment