Maskinindlæring er en anden tendens hvor vi er i øjeblikket og antager, at vi kan drage fordel af det for at få bedre anbefalinger, når vi lytter til disse musikafspilningslister på Google Play Musik. I går kommenterede vi spillet af den store G Med den nye opdatering og den maskinindlæring, der får mere at vide om dig, når du bruger applikationen mere.
Nu vil du bruge den motor til hvad er alle de fotografier, der er begrænset af enhedens opløsning eller af den reducerede interne hukommelse på en enhed. Google ønsker ikke at gå glip af muligheden for, at fotografier med højere opløsning er i stigende grad nødvendige, fordi skærme, såsom smart-tv eller phablets, kræver dem. Det er derfor, det har gjort introducerede teknikken kaldet RAISR.
"RAISR: Hurtigt og nøjagtigt billede med superopløsning"
Det er en teknik, der inkorporerer maskinindlæring for at kunne producere versioner i høj kvalitet af billeder med lav opløsning. RAISR producerer resultater, der kan sammenlignes med eller bedre end tilgængelige superopløsningsmetoder, og forbedrer endda ydelsestiden med 10 til 100 gange. Denne hurtighed i processen giver dem mulighed for at være tilgængelige på en enhed i realtid. Endnu senere forhindrer denne teknik rekreation af forrevne eller aliasing artefakter, der findes i billeder med lav opløsning.
I et par år har der været en teknik kaldet upsampling, som producerer et større billede med et højere antal pixels og et billede af højere kvalitet fra en lavopløsningsbillede. En teknik, der bruger lineære metoder, der udfylder værdierne for en ny pixel ved hjælp af kombinationer af de værdier, der omgiver den. Denne metode er hurtig, fordi de er lineære filtre. Mens det, der gør dem hurtige, gør dem mindre effektive til at præsentere levende detaljer i resultater med højere opløsning. Billedet nedenfor viser det perfekt.
Sådan fungerer RAISR
RAISR bruger maskinindlæring med et par billeder, en af lav kvalitet og en af høj kvalitet, for at finde filtre, der, når de selektivt anvendes på hver pixel i billedet med lavere opløsning, vil genskabe detaljer, der kan sammenlignes med originalens kvalitet. RAISR kan "trænes på to måder." Den første er en direkte metode, hvor filtrene læres direkte fra parret med billeder med lav og høj opløsning. Den anden metode sender et filter svarende til "upsampler" -metoden til billedet med lav opløsning og "lærer" derefter filtrene i det givne pass og billedet med høj opløsning.
Uanset hvilken metode, RAISR filtre de er "trænet" i henhold til karakteristika for "toppe", der findes i små billeder af billeder, såsom farve / lysstyrkegradienter, strukturerede eller flade områder og mere, der er kendetegnet ved retning, kraft og sammenhæng.
Kort sagt, i realtid vælger og anvender RAISR de mest relevante filtre fra listen over dem, der læres fra hver nabopixel i billedet med lav opløsning. Når disse filtre anvendes på billedet af dårligere kvalitet, genskaber detaljer, der er sammenlignelige i kvalitet med originalen høj opløsning. Dette er, hvad det gør, er at fjerne forrevne artefakter som Moire-mønstre og mere.
I dag har brugen af maskinlæring gennem årtier med fremskridt inden for billedteknologi muliggjort fremskridt inden for billedbehandling, der ligger i en lang række potentielle fordele. Et af eksemplerne fra Google ville være at forbedre gestus af "knib for at zoome" eller "klemme" på telefonen, hvilket ville opnå, at den kunne fanges, gemmes eller sende billeder i en lavere opløsning så det endelig nåede sit mål i sin rette opløsning i høj kvalitet. Dette vil betyde en stor besparelse i de data, der bruges i overførslen og i lagerplanerne.