Google Mannequin Challenge Videoları ile Derinlik Tahmin Algoritması Geliştiriyor

2016 senesinde zamanı donduran akım olarak ortaya çıkan ve kısa sürede sosyal medyada pek çok kişi tarafından Mannequin Challenge aradan geçen süre  zarfında popülerliğini yitirdi. Artık sosyal medyada daha değişik akımlar bulunuyor.

TEKNOLOJİ 25.12.2019, 17:49 25.12.2019, 18:02
Google Mannequin Challenge Videoları ile Derinlik Tahmin Algoritması Geliştiriyor

Fakat Google AI (suni zeka) incelemecileri Mannequin Challenge’ı derinlik ön görü algoritmasını (depth prediction algorithm) ilerletmek amacıyla kullanmaya devam ediyor.

Meydan okuma esasında bir takım insansın hareketsiz bir şekilde poz vermesini hedef alıyor. Kamera sabit duran insanların çevresinde dönüp onların hareketsizliğini çekerken gerçekte bir yandan da alan derinliğini algılamaya yardımcı olacak veri oluşturuyor.

Mannequin Challenge sayesinde yapay veri yaratmaya lüzum kalmıyor

Google Mannequin Challenge Videoları ile Derinlik Tahmin Algoritması Geliştiriyor

Learning the Depths of Moving People by Watching Frozen People başlıklı Nisan ayında makalede belirttiği üzere derinlik ön tahminini sağlamak amacıyla görüntüde yer alan statik alanlar kullanılıyor. Temelde cansız manken taklidini içeren bu veri kaynağı yardımıyla derinlik çıkarılıyor ve 3B efektler ile gösterilebiliyor. Google incelemecileri da derinlik haritalarını ve derinlik ön görüi modelini oluşturmak için doğal olmayan bir veriden faydalanmak yerinde YouTube’da yer alan 2 binin üzerindeki Mannequin Challenge videolarından faydalanıyor.

Bu akım olmasaydı insanların doğal eylemlerinin gerçekçi bir şekilde modellenmesi ve oluşturulması için suni bilgiler kullanılacaktı. Yapay bilgiler üzerinden eğitilmiş model gerçek sahnelerin haritalamasını çıkarırken zorlanacaktı. Bütün modellerin sabit bulunduğu ve yalnızca kameranın hareket ettiği bu akım yardımıyla multi-view-stereo (MVS) gibi yöntemler kullanılarak içersinde insanların da bulunduğu sahnelerin derinlik haritaları elde edilebiliyor.

Google Mannequin Challenge Videolar
Hareketli insanların bulunduğu videolarda derinlik nasıl hesaplanıyor?
Derinlik tahmini için tek görüntü üzerinden yöntemler tasarlanmış durumda. Araştırmacılar birden çok kareden gelen bilgileri öneme alarak sonuçları daha verimli duruma getirebileceklerini söylüyor. Mesela iki değişik bakış açısı arasındaki statik nesnelerin değişen konumu derinlik ipuçları sağlıyor. Bu tür bilgilerden faydalanmak için iki kare arasındaki 2B optik akışı hesaplanıyor. Bu akış hem sahnenin derinliğine hem de kameranın göreceli konumuna bağlı. Fakat kameranın konumu bilindiği için denklem dışında kalabiliyor. Sonuç olarak  derinlik haritasına ulaşılıyor.


Hareketli insanların bulunduğu derinlik haritası testlerinde ise başlangıçta insan bölgeleri maskelenerek bir insan segmentasyon ağı uygulanıyor. Ağ yardımıyla insanın bulunduğu bölgelerdeki derinlik hesaplaması diğer alanlardan alınan bilgilerle oluşturuluyor. İnsanın hareket ettiği alanın gerisinde kalan bölge videonun diğer karelerinden alınan piksellerle dolduruluyor. İnsanların dikkat çekici şekilleri yardımıyla ağ çoğu eğitim modelini gözlemleyerek öğrenebiliyor ve gelişiyor.

Google Mannequin Challenge

Bilim insani Tali Dekel ve mühendis Forrester Cole, Mayıs ayında Google AI Blog’da yayınlanan yazıda makine öğrenmenin (machine learning) son vakitlerde derinlik ön görüi çalışmalarında kullanıldığını fakat öğrenme tabanlı bir yaklaşımı tecrübe edinin ilk çalışmanın bu olduğunu söylüyor . Geliştiriciler el kameraları ve 3B video ile çekilen sahnelerin artırılmış gerçeklik deneyimlerini oluşturmada yardımcı olma ihtimalini belirtiyor.

Mannequin Challenge derinlik tahmin algoritmasi

.

Görsel: YouTube, Google AI

Yorumlar (0)
25°
açık
Günün Anketi Tümü
Kadın cinayetlerinin kaynağı nedir?
Kadın cinayetlerinin kaynağı nedir?
Namaz Vakti 02 Ekim 2022
İmsak 05:30
Güneş 06:54
Öğle 12:59
İkindi 16:15
Akşam 18:53
Yatsı 20:12
Puan Durumu
Takımlar O P
1. Başakşehir 7 17
2. Adana Demirspor 8 17
3. Galatasaray 8 17
4. Trabzonspor 8 16
5. Beşiktaş 7 14
6. Konyaspor 7 14
7. Fenerbahçe 6 13
8. Kayserispor 8 12
9. Kasımpaşa 8 12
10. Gaziantep FK 8 11
11. Alanyaspor 8 9
12. Giresunspor 7 8
13. Karagümrük 6 6
14. Antalyaspor 7 6
15. İstanbulspor 6 5
16. Ankaragücü 7 4
17. Sivasspor 8 4
18. Hatayspor 7 4
19. Ümraniye 7 2
Takımlar O P
1. Eyüpspor 7 14
2. Sakaryaspor 7 12
3. Pendikspor 7 12
4. Bodrumspor 7 11
5. Keçiörengücü 6 11
6. Manisa FK 6 11
7. Bandırmaspor 6 11
8. Samsunspor 7 10
9. Boluspor 6 11
10. Rizespor 6 9
11. Tuzlaspor 7 9
12. Göztepe 7 8
13. Adanaspor 7 7
14. Gençlerbirliği 6 6
15. Altay 7 6
16. Altınordu 5 3
17. Erzurumspor 5 3
18. Ö.K Yeni Malatya 7 3
19. Denizlispor 6 2
Takımlar O P
1. Arsenal 8 21
2. M.City 8 20
3. Tottenham 8 17
4. Brighton 7 14
5. Chelsea 7 13
6. M. United 7 12
7. Newcastle 8 11
8. Fulham 8 11
9. Liverpool 7 10
10. Brentford 8 10
11. Everton 8 10
12. Bournemouth 8 9
13. Leeds United 6 8
14. Aston Villa 7 7
15. West Ham United 8 7
16. Southampton 8 7
17. Crystal Palace 7 6
18. Wolves 8 6
19. Nottingham Forest 7 4
20. Leicester City 7 1
Takımlar O P
1. Barcelona 7 19
2. Real Madrid 6 18
3. Athletic Bilbao 7 16
4. Real Betis 6 15
5. Atletico Madrid 7 13
6. Villarreal 7 12
7. Osasuna 6 12
8. Valencia 7 10
9. Real Sociedad 6 10
10. Mallorca 7 8
11. Girona 6 7
12. Rayo Vallecano 6 7
13. Celta Vigo 6 7
14. Getafe 7 7
15. Real Valladolid 7 7
16. Espanyol 7 5
17. Sevilla 7 5
18. Almeria 7 4
19. Cadiz 7 4
20. Elche 6 1

Gelişmelerden Haberdar Olun

@