211service.com
Búsqueda de imágenes mejor y más precisa
Investigadores de la Universidad de California en San Diego (UCSD) han desarrollado un nuevo método de búsqueda de imágenes que, según afirman, supera a los enfoques existentes por un margen significativo en términos de precisión y eficiencia. El enfoque de los investigadores modifica un método típico de aprendizaje automático utilizado para entrenar a las computadoras para que reconozcan imágenes, dice Nuno Vasconcelos, profesor de ingeniería eléctrica e informática en UCSD. El resultado es un motor de búsqueda que etiqueta automáticamente las imágenes con los nombres de los objetos que contienen, como rábano, paraguas o nadador. Y debido a que el enfoque usa palabras para etiquetar y clasificar partes de imágenes, se presta muy bien a las búsquedas típicas de palabras clave que las personas realizan en la Web, dice Vasconcelos.
Encontrar fotos : Un nuevo algoritmo desarrollado en UCSD que agrega etiquetas de palabras a las imágenes puede aumentar la precisión y la eficiencia de la búsqueda de imágenes. Arriba, a las características de una imagen se les asigna la probabilidad de que pertenezcan a ciertas categorías, como agua o persona.
Actualmente, la búsqueda de imágenes en Internet utilizando palabras clave puede resultar impredecible. Esto se debe a que la mayoría de las búsquedas basadas en imágenes utilizan metadatos (texto, como el nombre de un archivo, la fecha u otra información básica asociada con una imagen) que pueden estar incompletos, inútiles para búsquedas de palabras clave o ausentes por completo. Los científicos informáticos han estado trabajando en mejores formas de identificar imágenes y hacer que se puedan buscar durante más de una década, pero lograr que las máquinas vayan más allá de los metadatos y determinen qué objetos hay en una imagen es un problema difícil de resolver, y la mayoría de los esfuerzos hasta la fecha solo ha tenido un éxito moderado.
Si bien la investigación de UCSD no resuelve por completo el problema, mejora el rendimiento y la eficiencia de un determinado enfoque, dice Vasconcelos, e identifica algunas limitaciones en la forma en que las personas estaban abordando el problema.
El enfoque que abordaron los investigadores se llama basado en contenido e implica describir objetos en una imagen mediante el análisis de características como el color, la textura y las líneas. Estos objetos pueden representarse mediante conjuntos de características y luego compararse con los conjuntos extraídos de otras imágenes. Los conjuntos de características se describen por sus estadísticas y la computadora busca coincidencias estadísticamente probables.
Multimedia
Búsqueda de imágenes
La nueva investigación se basa en este enfoque, pero agrega un paso intermedio, dice Pedro Moreno, un ingeniero de investigación de Google que trabajó en el proyecto. Moreno explica que este nuevo paso proporciona una etiqueta semántica o una etiqueta de palabra que describe objetos en imágenes en lugar de depender únicamente de conjuntos de números.
Por ejemplo, considere enviar una imagen de un perro en el césped. Los objetos de las imágenes se analizan y comparan con los resultados de categorías conocidas de objetos, como perros, gatos o peces. Luego, la computadora proporciona un análisis estadístico que da la probabilidad de que una imagen coincida con esas categorías. El sistema podría puntuar la imagen con un 60 por ciento de probabilidad de que el objeto principal sea un perro y un 20 por ciento de probabilidad de que sea un gato o un pez. Por lo tanto, la computadora considera que, con toda probabilidad, la imagen contiene una imagen de un perro. La idea clave es representar imágenes en este espacio semántico, dice Moreno. Esto parece mejorar significativamente el rendimiento.
El sistema de los investigadores ganó su experiencia al estar expuesto a miles de imágenes que incluían objetos como montañas, flores, personas, agua y tigres, así como las etiquetas semánticas que correspondían a los objetos. Luego, los investigadores probaron qué tan bien funcionaba el sistema exponiéndolo a nuevas imágenes que incluían objetos que aún no estaban etiquetados. En comparación con la descripción de una escena realizada por un humano, el sistema funcionó bien: una imagen de un tigre en la hierba alta impulsó al sistema a encontrar un gato, un tigre, plantas, hojas y hierba. Una leyenda hecha por humanos incluía gato, tigre, bosque y pasto. Y cuando los investigadores compararon las etiquetas de su sistema con enfoques más típicos basados en contenido, descubrieron que funcionaba mejor en aproximadamente un 40 por ciento. En otras palabras, produjo menos palabras que no fueran aplicables a la imagen.
Larry Zitnick, un investigador de búsqueda de imágenes en Microsoft, dice que la investigación está superando los límites de la búsqueda basada en contenido para ver qué tan bien puede funcionar. Lo que están haciendo es analizar hasta dónde podemos llegar en función de [buscar objetos en una imagen], y eso es realmente bueno en cuanto a ir más allá. También sospecha que el enfoque podría funcionar bien para grandes conjuntos de imágenes, como las de Internet.
Zitnick agrega que los resultados de UCSD podrían ser excelentes para ciertos tipos de búsquedas de objetos simples en imágenes. Sin embargo, no funcionaría para otras búsquedas, como distinguir el edificio del capitolio de EE. UU. Del edificio del capitolio del estado en Lincoln, NE. Los problemas visuales son muy difíciles y no creo que una sola solución vaya a resolverlo todo, dice Zitnick.
Sin embargo, el enfoque de los investigadores podría ser útil si se incluye en el software de búsqueda existente, dice Chuck Rosenberg, un ingeniero de software de Google que trabaja en la búsqueda de imágenes. Si se incorpora a la búsqueda de escritorio, el enfoque podría permitir a las personas buscar imágenes basándose en la similitud de apariencia. Pero no ayudaría necesariamente a las personas a encontrar imágenes basadas en conceptos más oscuros como la felicidad. Por ejemplo, dice Rosenberg, podría querer una foto de una familia feliz en un paseo nocturno para poner en una tarjeta que estoy haciendo. Que una computadora encuentre realmente esa imagen basándose únicamente en el contenido de la imagen ... está más allá de la tecnología actual.
Vasconcelos de UCSD sospecha que pasarán más de cinco años antes de que las computadoras puedan identificar conceptos más difíciles, como la felicidad, en imágenes. Pero eso no significa que la investigación actual no sea útil antes de esa fecha, dice. La expectativa tiene que ser que [la tecnología] sea más como una ayuda, no como una respuesta.