211service.com
Duomenų gavybos 100 milijonų „Instagram“ nuotraukų atskleidžia pasaulinius drabužių modelius
Įsivaizduokite būsimą antropologą, turintį prieigą prie trilijonų žmonių nuotraukų, darytų šimtmečius ir visame pasaulyje, ir turintį veiksmingus įrankius šioms nuotraukoms analizuoti, kad gautumėte įžvalgų. Į kokius naujus klausimus galima atsakyti?
Tai svajonė, kuri įkvėpė Keviną Matzeną, Kavitą Balą ir Noahą Snavely Kornelio universitete Itakoje, Niujorke.
Jų nuomone, milijonai nuotraukų, kasdien įkeliamų į socialinę žiniasklaidą, suteikia nuostabų langą į kultūrinius, socialinius ir ekonominius veiksnius, formuojančius viso pasaulio visuomenes. Jie sako, kad naudojant pakankamai galingą mašinų intelektą, turėtų būti įmanoma išgauti šią pradinę duomenų bazę, kad galėtume giliai pažvelgti į mūsų civilizaciją.
Algoritmas atskleidžia, kaip laikui bėgant keičiasi drabužių stiliai
Pasisekė, tokio tipo mašinų intelektas šiuo metu atsiranda didžiuliu greičiu. Matzenas ir bendradarbiai ėmėsi darbo ištyrę 100 milijonų nuotraukų, paskelbtų „Instagram“.
Klausimas, į kurį šie vaikinai konkrečiai nori atsakyti, buvo tai, kaip visame pasaulyje skiriasi aprangos stiliai – kultūrinis reiškinys, kurį šiaip sunku ištirti tokiu mastu.
Pavyzdžiui, jų požiūris gali spręsti tokius klausimus, kaip šaliko naudojimo dažnis JAV kinta laikui bėgant, kokie stiliai labiausiai būdingi konkretiems regionams ar miestams ir, atvirkščiai, kokie stiliai yra populiarūs visame pasaulyje.
Norėdami tai išsiaiškinti, Matzenas ir bendradarbiai kreipėsi į Instagram, kuris leido jiems atsisiųsti vaizdus per penkis kilometrus nuo konkrečios vietos ir per penkias dienas nuo konkrečios datos.
Tada komanda nustatė 44 miestus, kuriuos reikia ištirti, ir atsisiuntė iš viso 100 milijonų vaizdų iš šių vietų per penkių dienų langus nuo 2013 m. birželio iki 2016 m. birželio mėn.
Jie naudojo standartinę veido atpažinimo programą, kad išfiltruotų visas nuotraukas, kuriose nebuvo veido, ir taip pat filtruojo matomą liemenį, palikdami 15 milijonų nuotraukų, kuriose pavaizduota viršutinė kūno dalis ir jų vieta. ir data.
Tada jie išmokė mašininio mokymosi algoritmą atpažinti įvairius drabužių ir aksesuarų tipus vaizduose. Pavyzdžiui, algoritmas išmoko atpažinti, ar žmonės dėvi švarką, skarelę, kaklaraištį, akinius, kepurę ir pan. Algoritmas taip pat galėtų atpažinti spalvas, iškirptės stilius ir rankovių ilgį; drabužių kategorijos, pvz., marškinėliai, suknelės ar apatinės kelnės; ir drabužių modelius, tokius kaip vientisas, dryžuotas, languotas ir pan.
Galiausiai jie leido mašinai prarasti 15 milijonų nuotraukų savo duomenų rinkinyje, o tada naudojo kitą algoritmą, kad ieškotų vaizdų grupių su panašiomis vaizdinėmis temomis ir stebėtų, kaip jie kinta laikui bėgant ir įvairiose vietose.
Rezultatai leidžia įdomiai skaityti. Klasterizacijos algoritmas aptiko apie 400 skirtingų vaizdinių temų, pvz., žmonės, dėvintys baltus marškinėlius ir akinius, dėvintys raudonus V formos iškirptės viršūnes ar juodas sukneles, arba išvis nenešiojantys viršūnių!
Matzenas ir bendradarbiai gali ištirti, kaip šios vaizdinės temos skiriasi priklausomai nuo laiko ir vietos. Pavyzdžiui, jie nustatė, kad tam tikros spalvos periodiškai kinta: juoda ir ruda dažniau pasitaiko žiemą, o balta ir mėlyna – vasarą.
Kitos spalvos rodo skirtingus raštus. Pavyzdžiui, raudonos spalvos populiarumas mažėja. Ir nors jis yra daug mažiau periodiškas nei juodas ar baltas, jis kartais staiga išpopuliarėja. Matzenas ir bendradarbiai nurodo nedidelius populiarumo šuolius spalio pabaigoje ir gruodžio mėn., kitaip tariant, per Heloviną ir Kalėdas. Jie sako, kad išsiskyrė didelis Kalėdų Senelio kepurių asortimentas ir netikėtas raudonų Helovino kostiumų su raudonomis skrybėlėmis ar gobtuvais asortimentas.
Jie taip pat pastebėjo, kad per 2014 m. birželio–liepos futbolo pasaulio čempionatą Kolumbijoje ir Brazilijoje staiga išaugo geltonų marškinėlių populiarumas – abiejų šalių futbolo komandos vilki geltoną spalvą.
Jie taip pat atkreipė dėmesį į įvairias geografines tendencijas. Šalyse, esančiose toliau į šiaurę, dažniausiai yra daugiau striukių, tikriausiai todėl, kad yra šaltesnis.
Šaltesnėse šalyse populiaresnis ir skrybėlaičių nešiojimas. Tačiau keista, kad Omanas Artimuosiuose Rytuose yra viena iš skrybėles nešiojančių pasaulio sostinių. Visų pirma, kuma ir massar yra populiarūs Omane, nes jie yra svarbus vyrų nacionalinio drabužio elementas, sako Matzen ir kt.
Kai kurie drabužiai yra būdingi tam tikroms vietoms: gele, nigerietiškas galvos kaklaraištis, labai skiriasi nuo Lagoso. Ir kiti stiliai yra paplitę visame pasaulyje ir ištisus metus, įskaitant mėlynus marškinius su apykakle, languotus marškinius ir juodus marškinėlius.
Tai įdomus darbas, atskleidžiantis mašininio mokymosi potencialą atskirti mūsų visuomenės kultūrinę struktūrą.
Žinoma, šis metodas nėra tobulas. Algoritmas neišmoko atskirti akinių nuo saulės ir receptinių akinių, kurie visuomenėje atlieka skirtingus vaidmenis. Mažai tikėtina, kad vaizdai reprezentuos visą visuomenę, nes „Instagram“ vartotojai yra labai nukrypę į jaunesnę demografinę grupę. Ir ši technika žiūri tik į viršutinę kūno dalį, nes internetiniuose vaizduose kojos dažnai apkarpomos.
Tačiau yra daug galimybių ištaisyti šiuos trūkumus būsimame darbe ir eiti toliau. Nuolatinis mašininio matymo iššūkis yra išsiaiškinti, ar žmonės stovi, ar sėdi, ar ką jie veikia apskritai. Taip pat būtų galima sujungti šį duomenų rinkinį su kitais, pavyzdžiui, oro ir temperatūros duomenimis.
Matzenas ir bendradarbiai daro išvadą: didelių duomenų, mašininio mokymosi, kompiuterinio matymo ir automatizuotų analizės algoritmų derinys būtų labai galingas analizės įrankis plačiau vizualiai atrandant madą ir daugelį kitų sričių.
Aišku, mums nereikia laukti ateities antropologų.
Nuoroda: arxiv.org/abs/1706.01869 :StreetStyle: pasaulinių drabužių stilių tyrinėjimas iš milijonų nuotraukų