Mašīnmācība ir vēl viena tendence kurā mēs pašlaik atrodamies, un pieņemam, ka mēs varam to izmantot, lai iegūtu labākus ieteikumus, klausoties šos mūzikas atskaņošanas sarakstus pakalpojumā Google Play mūzika. Vakar mēs komentējām lielā G spēli Ar jauno atjauninājumu un mašīnmācīšanos, kas vairāk uzzinās par jums, vairāk izmantojot lietojumprogrammu.
Tagad jūs vēlaties izmantot šo dzinēju visām tām fotogrāfijām, kuras ierobežo ierīces izšķirtspēja vai samazināta ierīces iekšējā atmiņa. Google nevēlas palaist garām iespēju, ka arvien vairāk ir nepieciešamas augstākas izšķirtspējas fotogrāfijas, jo ekrāni, piemēram, viedie televizori vai planšetdatori, tos prasa. Tāpēc ir ieviesa tehniku ar nosaukumu RAISR.
"RAISR: ātrs un precīzs superizšķirtspējas attēls"
Tā ir tehnika, kas ietver mašīnmācīšanos, lai to izdarītu ražot augstas kvalitātes zemas izšķirtspējas attēlu versijas. RAISR nodrošina rezultātus, kas ir salīdzināmi vai labāki par pieejamajām superizšķirtspējas metodēm, un pat uzlabo veiktspējas laiku 10 līdz 100 reizes. Šis procesa ātrums ļauj viņiem reāllaikā būt pieejamiem ierīcē. Pat vēlāk šī metode novērsīs robotu vai pseidonīmu artefaktu atpūtu, kas pastāv zemas izšķirtspējas attēlos.
Dažus gadus ir bijis a tehnika, ko sauc par paraugu ņemšanu, kas rada lielāku attēlu ar lielāku pikseļu skaitu un augstākas kvalitātes attēlu no zemas izšķirtspējas. Tehnika, kas izmanto lineāras metodes, kas aizpilda jauna pikseļa vērtības, izmantojot to ieskaujošo vērtību kombinācijas. Šī metode ir ātra, jo tie ir lineāri filtri. Tas, kas padara tos ātrus, padara tos mazāk efektīvus, parādot spilgtas detaļas augstākas izšķirtspējas rezultātos. Zemāk redzamais attēls to lieliski parāda.
Kā darbojas RAISR
RAISR izmanto mašīnmācīšanās ar pāris attēliem, viens no zemas kvalitātes un viens no augstas kvalitātes, lai atrastu filtrus, kas, selektīvi lietojot katru zemākas izšķirtspējas attēla pikseļu, atjaunos detaļas, kas ir salīdzināmas ar oriģināla kvalitāti. RAISR var "apmācīt divējādi". Pirmais ir tieša metode, kurā filtri tiek apgūti tieši no zemas un augstas izšķirtspējas attēlu pāra. Otra metode nodod zemas izšķirtspējas attēlam filtru, kas līdzīgs "upsampler" metodei, un pēc tam "iemācās" dotās caurlaides un augstas izšķirtspējas attēla filtrus.
Neatkarīgi no metodes, RAISR filtrē viņi ir "apmācīti" atbilstoši "virsotņu" īpašībām, kas atrodamas mazos attēlu plankumos, piemēram, krāsu / spilgtuma gradientos, teksturētos vai plakanos apgabalos un citur, kam raksturīgs virziens, spēks un saskaņotība.
Īsāk sakot, reāllaikā RAISR izvēlas un piemēro visatbilstošākos filtrus no to saraksta, kuri iemācījušies no katra blakus esošā pikseļa zemas izšķirtspējas attēlā. Kad šie filtri tiek izmantoti sliktākās kvalitātes attēlam, atjauno detaļas, kuru kvalitāte ir salīdzināma ar oriģinālu augstas izšķirtspējas. Tas tiek darīts, lai novērstu robainus artefaktus, piemēram, Moire modeļus un daudz ko citu.
Līdz mūsdienām, izmantojot mašīnmācīšanos, kas gadu desmitiem ilga attīstībā attēlveidošanas tehnoloģijā, ir ļāvis progresēt attēlu apstrādē, kas ir saistīts ar visdažādākajiem iespējamiem ieguvumiem. Viens no Google sniegtajiem piemēriem būtu uzlabot tālruņa «saspiest, lai tuvinātu» vai «saspiest» žestu, kas ļautu to notvert, saglabāt vai saglabāt pārsūtiet attēlus ar zemāku izšķirtspēju tā, ka tā beidzot sasniedza galamērķi ar savu pareizo un kvalitatīvo izšķirtspēju. Tas nozīmētu lielu ietaupījumu pārsūtīšanā izmantotajos datos un krātuves plānos.