Технология машинного обучения не всегда связана с большими функциями. Часто, это маленькие хитрости, которые очень аккуратно и незначительно влияют на результат. Например, использование Twitter нейронных сетей позволяет автоматически выбирать для предварительного просмотра самую интересную часть фото.
Компания некоторое время работала над этим инструментом, но подробно описала свои методы в блоге только вчера. ML Lucas Theis и лейбл ML Zehan Wang, объясняют, как они начали использовать распознавание лица, чтобы обрезать фон, но обнаружили, что этот метод не работает с изображениями пейзажей, объектов и, что самое важное, ваших любимых котиков.
Решением было «обрезание с использованием значимости». Чтобы определить этот параметр, разработчики использовали данные из академических исследований по работе глаз, которые записывают, на какие области изображений люди смотрят в первую очередь.
«Эти данные могут использоваться при обучении нейронных сетей и других алгоритмов для прогнозирования того, что люди могут захотеть посмотреть»
Theis and Wang
Как только разработчики обучили нейронную сеть для идентификации этих областей, им необходимо было оптимизировать ее для работы в реальном времени на сайте. К счастью для них, область обрезки, необходимая для предварительного просмотра фотографий, довольно широка – вы только сужаете изображение. Это означает, что Twitter может уменьшить и упростить критерии, которые оценивала нейронная сеть, используя технику, называемую «knowledge distillation».
Читайте также: Что такое нейронная оценка изображений, и почему Google так ей гордится?
Конечным результатом стала нейронная сеть, которая в десять раз быстрее, чем ее оригинал. «Это позволяет нам выполнять обнаружение значимости объектов на всех изображениях, как только они будут загружены, мы выберем наиболее интересную часть фото в режиме реального времени», пишут Theis and Wang.
Новая функция уже доступна всем пользователям ПК, iOS и Android-приложений. Поэтому в следующий раз когда вы увидите интересную фотографию в Twitter, помните, что это также результат работы нейронной сети.
Источник: The Verge