روبوت تحلیل محتوای عکس مایکروسافت

یک نمونه پیشرفته از هوش مصنوعی

http://www.captionbot.ai

.

اینکه از روی یک عکس بتونی محتویاتش رو بگی واقعا کار سختیه.

اساس کار بر استخراج ویژگی ها (Feature Extraction) مبتنیه. اینکه توی عکس دنبال یک سری مشخصه بگردی. مثلا گوشه ها. یا بافت (Texture) تصویر و خیلی چیزای دیگه.

بعلاوه نیاز به یک پایگاه داده بسیار عظیم هست. عکس های زیادی از موجودات مختلف. به عنوان مثال برای اینکه روبوت بتونه «ویژگی» های فیل رو یاد بگیره، نیاز به تعداد زیادی عکس از فیل دارید در موقعیت های مختلف که در فاز آموزش به روبوت داده بشه.

بعد از فاز آموزش، هر وقت یک عکس جدید به روبوت داده بشه، «ویژگی» های عکس رو استخراج می کنه و با پایگاه داده خودش مقایسه می کنه تا بهترین مطابقت رو پیدا کنه.

دقیقا مثل یک نوزاد. با این تفاوت که سرعت یادگیری نوزاد (فعلا) بیشتر از روبوت هاست... به همین دلیل برای آموزش کودک نیاز به تعداد عکس کمتری دارید.

این یک شمای خیلی خیلی کلی از ایده پشت روبوت بود. البته در عمل کار بسیار پیچیده تر از این حرفاست. اگه نبود، این روبوت خیلی زودتر از این حرفا ساخته شده بود.

:دی

به عنوان یک نمونه عکس یادگاری با پیرمرد رو به این روبوت دادم.

نتیجه:

توجه داشته باشید که عکس سیاه و سفیده. کیفیت پایینی داره. بعلاوه نویز بسیار زیادی داره که این کار  رو بسیار سخت می کنه.

با این حال بسیار خوب تشخیص داده.

حتی حالت چهره من و پیرمرد رو هم توی متن نشون داده!

تنها اشتباهش اینه که اون منقل رو با میز اشتباه گرفته که اون هم حق داره بنده خدا!

تازه علاوه بر اینکه قسمت بینایی ماشین اش قویه، جمله بندی های خوبی هم داره...

------------

پی نوشت: توی اون قسمتش که نوشته The Magic Behind Captionbot چند تا روبوت دیگه هم می تونید پیدا کنید. مثلا روبوتی که میگه شما شبیه کدوم یک از شخصیت های معروف هستید.

ولی هیچ کدومشون به قدرت این یکی نیست.