foto1
Kolejna recenzja - Xblitz S10 Duo
foto1
Kolejna recenzja - Xblitz S10 Duo
foto1
Kolejna recenzja - Xblitz S10 Duo
foto1
Kolejna recenzja - Xblitz S10 Duo
foto1
Kolejna recenzja - Xblitz S10 Duo
e-mail: office@stell.com
Phone: +43 666 777 666


Trust Primo Ultra-thin Powerbank

Power bank wielkości smartfona o pojemności pozwalającej naładować telefon kilka razy.

Więcej

Genesis Helium 100BT RGB

Kiedyś wystarczyło, by głośniki grały głośno, potem by dobrze brzmiały, a dziś mają jeszcze dobrze się prezentować.

Więcej

Acer ConceptD 3 Ezel

ConceptD 3 przyzwyczaił mnie już do białej obudowy i sporej wagi. Ale ten model ma coś, co szybko rzuca się w oczy

Więcej

Zestaw NATEC Hi, I’m Tetra!

Wielu użytkowników komputerów chce widzieć na swoim biurku akcesoria komponujące się ze sobą wyglądem i kolorem.

Więcej

Kalendarz

Pn Wt Śr Cz Pt So N
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

Podziel się ze mną swoimi uwagami na temat mojego bloga, co Ci się podoba, co Ci się nie podoba, jakie recenzje chciałbyś tu zobaczyć itp.

Kliknij mnie

 

Francisco de Zurbarán's, Męczeństwo świętego Serapiona i Jana Asselijna Zagrożony Łabędź

Nowy system opracowany przez naukowców MIT o nazwie "MosAIc" znajduje trudne do wykrycia podobieństwa między dziełami sztuki w Metropolitan Museum of Art i Amsterdam's Rijksmuseum. MosAIc skanuje obraz, a następnie wyszukuje podobieństwa w sieci w obszarze, który obejmuje kulturę, artystów i media.

Podczas korzystania z MosAIc, użytkownik wprowadza obraz a algorytm MosAIc znajduje podobne dzieła sztuki. W jednym z przykładów, MosAIc powiązał w ten sposób ze sobą dzieła Francisco de Zurbarán's, Męczeństwo świętego Serapiona i Jana Asselijna Zagrożony Łabędź. "Ci dwaj artyści nie korespondowali ze sobą, nie mieli też okazji by spotkać się w ciągu swojego życia, ale ich obrazy wskazywały na bogatą, utajoną strukturę, która stanowi podstawę obu ich prac", powiedział doktorant Mark Hamilton, autor systemu MosAIc.
Według Hamiltona szczególnie trudnym aspektem rozwoju MosAIc było stworzenie algorytmu, który mógł znaleźć nie tylko podobieństwa w kolorze lub stylu, ale także w znaczeniu i temacie. Naukowcy zbadali głęboką sieć "aktywacji" lub funkcji dla każdego obrazu w otwartych zbiorach muzeów. Odległość między "aktywacjami" wpływała na to, jak naukowcy oceniali podobieństwo.
Naukowcy wykorzystali również nową, zbudowaną przez siebie strukturę danych nazwaną „Drzewo KNN” do wyszukiwania obrazów. Nazwa pochodzi od sposobu, w jaki grupowane są obrazy – właśnie w strukturę przypominającą drzewo. Aby znaleźć najbliższe dopasowanie jednego obrazu, algorytm rozpoczyna badanie od "pnia" grupy, a następnie podąża za najbardziej obiecującą "gałęzią", aż znajdzie najbliższy obraz. Struktura danych poprawia samą siebie, umożliwiając drzewu "przycinania" się na podstawie cech obrazu.
Hamilton powiedział, że ma nadzieję, że prace rozpoczęte na MosAIc można będzie rozszerzyć na inne dziedziny, takie jak nauki humanistyczne, nauki społeczne i medycynę. "Te dziedziny są bogate w informacje, które nigdy nie zostały przeanalizowane za pomocą tych technik i mogą być źródłem wielkiej inspiracji zarówno dla informatyków, jak i ekspertów od domen", powiedział.
Przyznam, że nie rozumiem, w jaki sposób MosAIc może być inspiracją dla ekspertów od domen, ale w końcu nie ja jestem doktorem na MIT. Z drugiej strony system może pomóc wyszukiwać plagiaty, więc może warto coś takiego budować i rozwijać?

Znajdziesz mnie:

Subscribe on YouTube