Как Google будет «читать» и ранжировать ваши изображения в ближайшем будущем

1. Google, искусственный интеллект и понимание изображений
2. Google+ уже использует обнаружение объектов в изображениях. Google Search Next?
3. Возможен ли для Google график знаний и обнаружение изображений «Брак»?
4. Как обнаружение объектов в изображениях может повлиять на ваш SEO
5. Как действительно работает обнаружение объектов в изображениях
6. Приобретения Google в отношении искусственного интеллекта и понимания изображений
7. Заключение

Чтение изображений и распознавание объектов в изображениях - важная задача и задача обработки изображений и компьютерного зрения. Простой поиск «автоматического распознавания объектов» в Google scholar предоставит вам длинный список статей, в которых сочетаются всевозможные сложные уравнения и алгоритмы, начиная с начала 90-х годов и до наших дней. Это означает, что этот предмет был очень интригующим для исследователей в этой области с самого начала поиска, но он все еще находится в стадии разработки.

Недавно мы включили вас в мир поиска картинок Google с углубленное тематическое исследование , Затем мы попытались выяснить, может ли Google читать текст с изображений и каковы последствия этого для мира SEO. Теперь мы возвращаемся к интересному исследованию в той же области «поиска изображений», которое пытается пролить свет на прогресс Google в этой области и на то, как профессионал SEO должен идти в ногу, чтобы иметь более высокий рейтинг в будущем.

Будущее принадлежит тем, кто к нему готов сегодня! В самом ближайшем будущем Google, вероятно, изменит алгоритмы ранжирования изображений, изменения, которые значительно повлияют на поиск, и, следовательно, на мир SEO.

Мы говорим не о незначительных изменениях алгоритма, а о тех, которые затрагивают лишь небольшой процент поиска. Это поколение поиска изображений следующего уровня, с которым мы столкнемся. Несомненно, это будет большой успех для поисковой индустрии, но истинный успех будет у тех, кто был на шаг впереди и уже готов к этим большим изменениям.

Почему обнаружение объектов на изображениях важно для сообщества цифрового маркетинга?

В конце концов, все сводится к рейтингу.

Обнаружение объекта в изображениях добавит дополнительный слой ранжирующих сигналов, который нельзя легко изменить.

Изображение с синей собакой будет оцениваться по ключевому слову, связанному с синей собакой, а не по ключевому слову, связанному с красной собакой. Это имеет два важных значения для индустрии SEO:

1. Меньшее количество ложных срабатываний при поиске определенного ключевого слова будет отображаться с точки зрения того, что на самом деле содержит изображение.

2. Он также может быть использован для связи содержимого страницы с этим фактическим изображением без каких-либо других внешних факторов. Если на странице много фотографий голубых собак и различных других вещей, связанных с собаками, то это автоматически укрепляет рейтинг этой страницы, посвященный собакам.

Тем не менее, вопрос может возникнуть из этого:

Может ли это быть новой эрой для объектной заливки в изображениях как теневого метода SEO?

Я так не думаю, так как алгоритмы в настоящее время довольно продвинуты для обнаружения такого рода спама. Тем не менее, речь идет о поисковом поколении нового поколения, которое может привести к большим изменениям и вызовам для мира SEO.

Google, искусственный интеллект и понимание изображений

Понимание изображения - это большая проблема для всех, поэтому проблема визуального распознавания существует с 2010 года. Она называется ImageNet Крупномасштабная задача по распознаванию видения (или ILSVRC), и это прекрасный пример того, как конкуренция способствует прогрессу. Есть три основные треки в ILSVRC: классификация, классификация с локализацией и обнаружением. Это означает, что алгоритмы, которые вводятся в этой проверке, проверяются как на предмет того, насколько хорошо они распознают объекты на определенной картинке, так и на том, понимают ли они, где находится объект на картинке.

Такой высокий уровень производительности в задачах обнаружения требует от промышленности не только добавлять комментарии к изображению с « мешком этикеток » в надежде на то, что что-то залипнет.

Чтобы алгоритм успешно справлялся с этой задачей, он должен уметь описывать сложную сцену, точно определяя местонахождение и идентифицируя множество объектов в ней. Это означает, что, учитывая изображение человека, едущего на мопеде, программное обеспечение должно уметь не только различать несколько отдельных объектов (например, мопед, человек и шлем), но также правильно размещать их в пространстве и правильно их классифицировать. Как мы видим на изображении ниже, отдельные элементы правильно определены и классифицированы.

Снимок экрана: http://googleresearch.blogspot.ro/2014/09/building-deeper-understanding-of-images.html.

Любая поисковая система с такой способностью очень усложнит процесс передачи изображений людей, ездящих на мопедах, в качестве «гонщиков за рулем Porsche», наполняя их метаданными, которые просто так говорят. Как видно из приведенных ниже примеров, технология довольно продвинута, и любая схема, вводящая в заблуждение, может быть легко раскрыта.

Снимок экрана: http://googleresearch.blogspot.ro/2014/09/building-deeper-understanding-of-images.html.

В этом году Google участвовал в ILSVRC, где он победил со своей командой GoogLeNet и сделал код открытым исходным кодом, чтобы поделиться им с сообществом и ускорить продвижение технологии. Это имеет огромное значение с точки зрения прогресса, поскольку ILSVRC 2014 уже в сотни и даже тысячи раз сложнее, чем аналогичная задача обнаружения объектов всего 2 года назад. Даже в течение одного года прогресс, достигнутый в этом году на этом конкурсе, кажется, значительно превосходит прошлогодний: было собрано 60 658 новых изображений и полностью аннотировано 200 категориями объектов, что привело к появлению 132 953 новых аннотаций ограничивающего прямоугольника по сравнению с 2013 годом. С надеждой, что я не приведу слишком много данных в уравнение, это означает, что в 2013 году число изображений составило около 395000, и только через год число значительно увеличилось до примерно 457000. И да, это звучит так же извращенно и впечатляюще, как центр обработки данных Google, который вы можете увидеть на рисунке ниже.

Google Data Center

Алгоритм победы в этом году использует Инфраструктура неверия который не только смотрит на изображения очень сложным образом и может идентифицировать объекты независимо от их размера и положения на картинке, но также способен к обучению. Это не первый и не единственный раз, когда Google сосредоточился на технологиях машинного обучения, чтобы сделать вещи лучше. В прошлом году Эндрю Нг, директор Лаборатории искусственного интеллекта Стэнфордского университета и бывший приглашенный ученый из исследовательской группы Google «Google X», выдвинул архитектуру, способную обучать и развивать:

«Наша система способна обучить 1 миллиард параметров сетей всего на 3 машинах за пару дней, и мы показываем, что она может масштабироваться до сетей с более чем 11 миллиардами параметров, используя всего 16 машин».

Google+ уже использует обнаружение объектов в изображениях. Google Search Next?

На самом деле, интеллектуальный алгоритм обнаружения изображений на основе сверточная нейронная сеть архитектура уже используется в Google+ для более года , Часть кода, представленного в конкурсе ImageNet, была использована для улучшения алгоритмов поисковой системы, когда речь идет о поиске конкретных (типов) фотографий, даже если они не были должным образом помечены.

Архитектура нейронных сетей существует с 1990-х годов, но лишь недавно и модели, и машины стали достаточно эффективными, чтобы алгоритмы работали для миллиардов изображений одновременно. Достижения могут быть количественно определены любым количеством способов, но с точки зрения пользовательского опыта, есть несколько вещей, которые следует иметь в виду:

1. Например, алгоритм Google доказал свою способность сопоставлять объекты из веб-изображений (крупный план, искусственный свет, детализированные) с объектами из неотмеченных фотографий (средняя поверхность, естественный свет с тенями, различные уровни детализации). Цветок казался таким же цветком при любом другом разрешении или условиях освещения.

2. Кроме того, большой G удалось идентифицировать некоторые очень специфические визуальные классы помимо общих. Он не только идентифицировал большинство цветов как цветы, но также определил определенные специфические цветы (такие как гибискус или георгин) как таковые.

3. Алгоритмам Google также удалось лучше справляться с более абстрактными категориями объектов, распознавая изрядное и различное количество картинок, которые, например, можно отнести к категории «танец», «еда» или «поцелуй». Это занимает намного больше, чем просто обнаружение апельсина как апельсина.

Снимки экрана, сделанные по адресу http://googleresearch.blogspot.ro/2013/06/improving-photo-search-step-across.html

4. Классы с мультимодальным внешним видом также хорошо обрабатывались. «Автомобиль» не обязательно является абстрактным понятием, но может быть немного сложнее. Это изображение машины, если мы видим всю машину? Является ли внутри автомобиля изображение автомобиля? Мы бы сказали, да, и, похоже, новый алгоритм Google.

5. Новая модель не без греха. Это делает ошибки. Но важно отметить, что даже когда речь идет об ошибках, они показывают прогресс. Учитывая определенный контекст, разумно принять голову осла за голову собаки. Или слизняк для змеи. Даже в ошибке, текущий алгоритм Google на голову выше предыдущих алгоритмов.

Снимки экрана, сделанные по адресу http://googleresearch.blogspot.ro/2013/06/improving-photo-search-step-across.html

Возможен ли для Google график знаний и обнаружение изображений «Брак»?

Как бы ни была впечатляющей новая модель Google, еще более впечатляет то, что она является лишь частью более широкой картины обучающих машин, прекрасно интегрированной с уже впечатляющим графом знаний. «Сущности», которые составляют основу последних, также помогают сформировать классификацию и возможности обнаружения алгоритма обнаружения изображения. Каждому объекту и классу объектов присваивается уникальный код (так, например, ягуар - животное - никогда не может быть ошибочно принят за Ягуар - автомобиль), а затем используется, чтобы помочь алгоритму учиться, предоставляя ему базу знаний против чтобы проверить свои попытки.

Google превращает поиск в нечто, что понимает и переводит ваши слова и изображения в реальные сущности, о которых вы говорите.

Вот так! Он не только генерирует результаты, основанные на конкретных словах или изображениях, но и действительно «понимает» вас.

Снимок экрана: http://googleresearch.blogspot.ro/2013/06/improving-photo-search-step-across.html.

Как обнаружение объектов в изображениях может повлиять на ваш SEO

Эти технологические достижения позволят еще лучше понять изображение с нашей стороны, а прогресс можно напрямую перенести на такие продукты Google, как поиск фотографий, поиск изображений, YouTube, автомобили с автоматическим управлением и любое место, где полезно понять, что находится на изображении, как хорошо, где вещи. @GoogleResearch

Снимок экрана: http://googleresearch.blogspot.ro/2014/09/building-deeper-understanding-of-images.html.

С точки зрения простого SEO, этот шаг огромен, и он поможет укрепить представление Google о SEO, ориентированном на качество контента. Точно так же, как становится все сложнее обманывать поисковую систему с помощью различных схем связывания, может оказаться сравнительно трудно обмануть ее с помощью неправильно помеченных фотографий или огромного количества их. Хороший контент (т.е. качественные картинки, четко идентифицированные объекты, тематические картинки), скорее всего, скоро станет центральным, когда речь идет о визуальных объектах.

Мечение также, вероятно, станет гораздо более важным для фотографической композиции, чем для ручной или искусственной маркировки. Если вы хотите, чтобы ваша картинка отображалась, когда люди ищут изображения «желтой собаки», ваш SEO должен начать с того, как вы делаете снимок и что вкладываете в него.

Как действительно работает обнаружение объектов в изображениях

Если вы еще этого не сделали, пришло время взять чашку кофе и потерпеть меня, пока мы совершаем небольшое путешествие на «территорию гиков».

Так что же такого особенного в инфраструктуре DistBelief? Прямой ответ заключается в том, что это позволяет обучать нейронные сети распределенным образом и основывается на Принцип Хебба и на принцип масштабной инвариантности ,

Все еще в замешательстве? Да, там много математики, но ее можно распаковать на более базовом уровне. Нейронные сети на самом деле относятся к тому, что вы ожидаете - как устроены нейроны в нашем мозге. Поэтому, когда мы говорим о них, мы на самом деле имеем в виду искусственные нейронные сети (ANN), которые являются вычислительными моделями, основанными на идеях обучения и распознавания образов, - имеет смысл в контексте, о котором мы говорим, верно? Приведенный ниже пример того, как работает обнаружение объектов, может пролить свет на эту довольно трудную для понимания область.

GoogLeNet использовал особый тип ANN, называемый сверточной нейронной сетью, который основан на идее, что отдельные нейроны реагируют на разные (но перекрывающиеся) области в поле зрения и что их можно разбивать на плитки, чтобы получить более сложное изображение. Грубо упростить - это немного похоже на работу со слоями. Одним из преимуществ сверточной нейронной сети является то, что она очень хорошо поддерживает перевод. В математике перевод может относиться к любому типу перемещения объекта из одного места в другое. Поэтому, если мы соберем все, что мы знаем так далеко, Distbelief довольно хорошо распознает объект, независимо от того, где он находится на определенной картинке. Это также может сделать больше, чем это. Масштабная инвариантность также является математическим принципом и в основном утверждает, что свойства объектов не изменяются, если масштаб длины умножается на общий коэффициент. Это означает, что Distbelief должен хорошо распознавать апельсин независимо от того, является ли он большим, как ваш экран, или крошечным, как значок: он все равно будет оранжевым и будет распознаваться как таковой (ура для апельсинов!)

Снимок экрана взят с http://deeplearning.net/tutorial/lenet.html

Принцип Хебби имеет отношение не столько к распознаванию объектов, сколько к обучению или обучению части нейронных сетей. В нейробиологии этот принцип часто обобщается как «Клетки, которые сжигаются вместе, соединяются вместе». Клетки, конечно же, нейроны. Применение этого принципа для искусственных нейронных сетей в основном означает, что программное обеспечение, основанное на этом алгоритме, сможет самообучаться, чтобы стать лучше во времени.

Скриншот взят с http://yann.lecun.com/

Приобретения Google в отношении искусственного интеллекта и понимания изображений

Google уже разработал некоторые из этих технологий самостоятельно; другие, такие как архитектура Эндрю Нг, приобрели. Стоит также отметить стратегию роста Google, позволяющую рынку расти, оставляя многие из своих решений открытым исходным кодом, чтобы другие могли улучшать его (зачем подавлять конкуренцию, когда вы можете позволить себе выкупить конкуренцию?)

Одно из самых интересных приобретений - DeepMind инвестиции в 400 миллионов долларов. Почему Google сделал бы такую ​​большую покупку? ты можешь подумать.

Весьма вероятно, что это конкретное приобретение, направленное на добавление квалифицированных экспертов, а не конкретных продуктов, ознаменует ускорение усилий Google, Facebook и других интернет-фирм по монополизации самого большого мозга в исследованиях искусственного интеллекта. Конечно, это просто предположение , Тем не менее, для лучшего понимания этого вопроса, мы настоятельно рекомендуем вам посмотреть видео ниже, которое даст вам очень хорошо иллюстрированное изображение того, насколько велик Google на самом деле и как он влияет на нашу повседневную жизнь.

Заключение

Способность людей распознавать тысячи категорий объектов в беспорядочных сценах, несмотря на изменчивость позы, изменения освещенности и окклюзии, является одной из самых удивительных возможностей визуального восприятия, до сих пор не имеющей аналогов в алгоритмах компьютерного зрения. Или, по крайней мере, это то, что статья с 2007 года заявлено. Здесь мы, пару лет спустя, сталкиваемся с ситуацией, когда поисковые системы собираются ежедневно осуществлять автоматическое распознавание объектов. Более того, Google уже делает шаги вперед, поскольку ей принадлежит патент для автоматического распознавания крупномасштабных видео объектов с 2012 года.

Органические результаты могут выглядеть не так, как сегодня, и наверняка в ближайшее время будут достигнуты важные улучшения. Google переключается «со строк на вещи», поскольку график знаний будет полностью интегрирован в поисковую среду. Алгоритмы также изменятся, и они, вероятно, будут в большей степени связаны с реальными объектами в контенте и тем, как эти объекты связаны друг с другом.

Это правда, что только время и контекст будут теми, кто докажет, что мы неправы или правы. Вещи могут быть поняты только задом наперед; но они должны жить вперед.

Фото 1 , 2

Похожие

Комментарии