많은 사람들이 이미 유전 알고리즘을 사용하여 샘플 이미지와 일치하는 이미지를 생성 한 데모를 이미 보았을 것입니다. 당신은 소음으로 시작하고 점차적으로 정확한 복제본을 얻을 때까지 점차적으로 대상 이미지를 닮아갑니다.진화 이미지 매칭 시뮬레이션을위한 새로운 적합성 측정
그러나 필자가 보았던 모든 예제는 상당히 간단한 픽셀 별 비교를 사용하여 최종 이미지를 상당히 예측할 수있는 '페이드 인'결과를 얻었습니다. 내가 찾고있는 것은 더 소설적인 것입니다. 우리가 순진적인 접근 방식과 비슷한 것으로 보이는 것에 더 가까운 적합성 측정 값입니다.
마음에 구체적인 결과가 없습니다. 기본값보다 더 재미있는 것을 찾고 있습니다. 제안?
나는 당신이 Roger Alsing's program과 같은 것을 말하고 있다고 가정합니다.
나는이 버전을 구현 했으므로 대안적인 피트니스 기능에도 관심이 있습니다. 미적 특성보다는 성능을 향상시키는 관점에서 생각하고 있습니다. 나는 진화론 적 과정의 특성으로 인해 "퇴색"의 요소가 항상있을 것으로 기대한다.
픽셀 별 비교는 작은 이미지 이외에는 비용이 많이들 수 있습니다. 예를 들어, 내가 사용하는 200x200 픽셀 이미지에는 40,000 픽셀이 있습니다. 픽셀 당 세 개의 값 (R, G 및 B)을 사용하면 하나의 이미지에 대한 적합성 계산에 통합해야하는 120,000 개의 값이 있습니다. 내 구현에서는 필자는 비교를하기 전에 이미지 크기를 줄여서 픽셀 수가 적어 지도록했습니다. 절충은 진화 된 이미지의 정확도를 약간 줄입니다.
대체 피트니스 기능을 조사 할 때 RGB 대신 YUV colour space을 사용하라는 제안이 나왔습니다. 이는 인간의 인식과 더욱 밀접하게 관련되어 있기 때문입니다.
내가 가진 또 다른 아이디어는 무작위로 선택한 픽셀 샘플을 비교하는 것입니다. 나는 이것을 시도하지 않고 얼마나 효과가 있을지 잘 모르겠습니다. 비교 된 픽셀은 각 평가마다 다를 것이므로 인구 내에서 다양성을 유지하는 효과가 있습니다.
너는 컴퓨터 비전의 영역에 있습니다. 피쳐 추출에 의존하는 이러한 기법은 이미지 당 비용이 더 많이들 것이라 예상되지만 수용 가능한 결과를 얻기 위해 필요한 세대가 줄어들면 전반적으로 더 빠를 수도 있습니다. PerceptualDiff 라이브러리를 조사하고 싶을 수 있습니다. 또한 this page은 픽셀이 아닌 기능을 기반으로 이미지를 비교하는 데 사용할 수있는 몇 가지 Java 코드를 보여줍니다.
아하, 그건 하나였습니다! 감사! –
나는 그런 데모를 보지 못했다. 흥미 진진한 방아쇠를 당길 수있는 몇 가지 프로토 아이디어 :
우리가 순진적인 접근 방식과 비슷한 것으로 보이는 것에 더 가깝게되는 적합성 척도.
소프트웨어에서 이러한 측정 값을 구현하는 것은 분명 중요하지 않습니다. 일부 출발점에 대한 Google의 '인간 시각 모델', '지각 오류 측정 기준'. 문제를 피할 수 있습니다 - 인간에게 조금 지루할 지 모르지만 최선의 이미지를 선택하기 위해 후보 이미지를 인간에게 제시하십시오.
그래서 내가 '더 가깝다', '동일하지 않다'고 말한 이유입니다. 픽셀 단위 비교보다 더 나은 것이 있지만 AI를 구현하는 것보다 쉽습니다. :) –
인간을 사용하는 것은 그다지 좋지 않습니다. 그러나 인간은 두 개의 서로 다른 무작위 노이즈 이미지를 비교할 때 오히려 제대로 수행하지 않습니다. –
이것은 이미지 생성 방법에 따라 다릅니다. 제한된 수의 투명한 닫힌 베 지어 곡선을 사용하여 이미지를 근사하는 진화 알고리즘에 대한 기사를 보았습니다. –
다른 참여자들과 동의합니다. 또한 상업적으로 매우 가치가 있다고 덧붙입니다. 예를 들어, 회사의 시각적 IP를 보호하려는 회사는 비슷한 이미지를 찾고있는 인터넷을 트롤링 할 수있어 매우 행복 할 것입니다.
내 순수한 접근 방식은 하나 이상의 변환이 적용된 대상 이미지에서 각각 생성 된 여러 이미지에 패턴 인식기를 적용하는 것입니다. 어느 정도 각도로 회전; 번역은 몇 가지 방법 중 하나 픽셀; 동일한 심상의 다른 가늠자; 다양한 흐림 및 효과 (여기에서는 회선 마스크가 좋습니다). 또한 각 이미지에 임의 노이즈를 추가 할 것입니다. 샘플이 많을수록 좋습니다.
교육은 모두 오프라인에서 수행 할 수 있으므로 런타임 성능에 문제가 발생하지 않아야합니다.
패턴 인식기를 익히면 GA 인구 통계 이미지를 가리키고 인식기에서 스칼라 점수를 얻을 수 있습니다.
개인적으로 나는 Radial Basis Networks을 좋아합니다. 빠른 기차. 나는 너무 많은 입력부터 시작하여 원리 구성 요소 분석 (IIRC)을 사용하여 이들을 절제했습니다. 산출물은 유사성 척도와 비평 행성 척도가 될 수 있습니다.
마지막으로 한 가지; 어떤 접근 방식이든 - 블로그에 대해 블로그를 게시하고, 데모를 게시하고, 무엇이든 할 수 있습니다. 어떻게 지내는지 알려주세요.
"샘플 이미지와 일치하는 이미지를 생성하는"유전 알고리즘을 말하면 정확히 무엇을 의미합니까? 항상 훈련 된 동일한 이미지를 생성하는 알고리즘을 의미합니까? 그렇다면, 거기에 어떤 압축 방법이 있을까요? (그렇지 않다면 요점은 무엇입니까?) –
예, '대상'이미지를 제공하고 이미지와의 친밀감을 바탕으로 모든 사람에게 점수를 매 깁니다. 요점은 데모입니다. 압축이나 기타 구체적인 목표를 제공하는 것이 아닙니다. –
죄송합니다. 아직 이해가 안됩니다 - 개인은 무엇입니까? 기타, 처음에 시끄러운 이미지? 또는 단일 이미지의 개별 픽셀? –