Comments 36
Действительно интересно, прям вижу перспективу применения такого рода сервисов для Google Glass.
Гм, до этого я весьма скептически относился к нейронным сетям, но этот результат действительно впечатляет…
ну Deep Learning несколько круче обычных сетей прямого распространения. Кстати кажется в прошлом или позапрошлом году благодаря сетям с глубоким обучением удалось на задаче распознавания дорожных знаков получить точность выше чем при ручном подсчете(точность что-то в районе 99,8%, правда тестовую выборку я не видел).
Сервис использует сверточные нейронные сети, первоначально разработанные профессором Яном Лекуном в конце 1990-х годов. Уже тогда эта технология позволяла надежно решать задачи распознавания рукописных текстов. С тех пор значительно увеличилась мощность компьютеров, и появились новые алгоритмы широкомасштабного обучения нейронных сетей.Приведите пожалуйста хотя-бы одну программу, которую я могу купить, которая будет надёжно решать задачу распознавания рукописного текста. Причём с бумаги. Причём написанного обычной ручкой, а не livescribe. Последняя конечно чудо инженерной мысли, но таскать с собой специальную дорогущую ручку, плюс либо специальную бумагу, как у livescribe, либо специальный наблюдательный блок, как у wacom, у меня желания нет.
Решение задачи есть. Стоит «миллион», в комплект входит кластер. Все еще интересует?)
Понятие надежности очень растяжимо. Скажем если система будет ошибаться в каждом 6м или 10м слове, она будет надежной?
Вот огромная статья Лекуна 1998 года с подробнейшим изложением полной системы распознавания рукописного текста. Как водится в Америке, для применения в банках для чтения чеков. Точность распознавания 82%, работала в нескольких банках, читала по нескольку миллионов чеков ежеднено (см. в конце статьи).
[LeCun et al., 1998]: Gradient-Based Learning Applied to Document Recognition (Proc. IEEE 1998): A long and detailed paper on convolutional nets, graph transformer networks, and discriminative training methods for sequence labeling. We show how to build systems that integrate segmentation, feature extraction, classification, contextual post-processing, and language modeling into one single learning machine trained end-to-end. Applications to handwriting recognition and face detection are described.
[LeCun et al., 1998]: Gradient-Based Learning Applied to Document Recognition (Proc. IEEE 1998): A long and detailed paper on convolutional nets, graph transformer networks, and discriminative training methods for sequence labeling. We show how to build systems that integrate segmentation, feature extraction, classification, contextual post-processing, and language modeling into one single learning machine trained end-to-end. Applications to handwriting recognition and face detection are described.
Стоит напомнить, что у Хинтона есть курс не Курсере www.coursera.org/course/neuralnets
Это сверточные нейросети — действительно классная штука, результаты всегда впечатляют.
В течение шести месяцев был разработан сервис поиска по фотографиям photos.google.com.
Этот сервис когда-то был доступен и я опоздал? Он меня на плюса пересылает :( Очень хотелось посмотреть сможет ли система найти оригинал по срисованному рисунку, или референс, перерисованный с идеями из головы.
Потому что images.google.com/
Сервис гугла — поиск по вашим собственным фотографиям, наверное поэтому открывается окно логина с плюсы. Вот что там написано:
Starting today, you’ll be able to find your photos more easily and connect with the friends, places and events in your Google+ photos. For example, now you can search for your friend’s wedding photos or pictures from a concert you attended recently. To make computers do the hard work for you, we’ve also begun using computer vision and machine learning to help recognize more general concepts in your photos such as sunsets, food and flowers.
Starting today, you’ll be able to find your photos more easily and connect with the friends, places and events in your Google+ photos. For example, now you can search for your friend’s wedding photos or pictures from a concert you attended recently. To make computers do the hard work for you, we’ve also begun using computer vision and machine learning to help recognize more general concepts in your photos such as sunsets, food and flowers.
Результаты впечатляют и тема очень интересная. Правда, еду система могла распознавать по наличию тарелок с их весьма характерными чертами. Впрочем, это тоже очень хорошо с ее стороны.
Чем-то Элизу напомнило…
Sign up to leave a comment.
Команда Джеффри Хинтона победила в конкурсе компьютерного зрения ImageNet с двукратным преимуществом