TED2007
Blaise Agüera y Arcas: How PhotoSynth can connect the world's images
بلیز آگرا ای آرکاس فوتوسینت را نمایش می دهد.
Filmed:
Readability: 4.3
5,831,957 views
بلیز آگرا ای آرکاس نمایشی جاذب از فوتوسینت نشان می دهد، نرم افزاری که می تواند طریق دیدن تصاویر دیجیتالی ما را تغییر دهد. با استفاده از عکسهای ساکن جمع آوری شده از اینترنت، فوتوسینت جاده های رویایی نفس گیر ساخته و می گذارد از میان آنها عبور کنیم.
Blaise Agüera y Arcas - Software architect
Blaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces. Full bio
Blaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces. Full bio
Double-click the English transcript below to play the video.
00:25
What I'm going to show you first, as quickly as I can,
0
0
2000
آنچه ابتدا به شما نشان خواهم داد، البته اگر كمي بجنبم،
00:27
is some foundational work, some new technology
1
2000
4000
کاری بنیادی است، يك فن آوری جدید
00:31
that we brought to Microsoft as part of an acquisition
2
6000
3000
که به عنوان بخشی از یک محصول به مایکروسافت آوردیم
00:34
almost exactly a year ago. This is Seadragon,
3
9000
3000
تقریبآ یک سال پیش. این سی دراگون است.
00:37
and it's an environment in which you can either locally or remotely
4
12000
3000
و محیطی است که آنجا می توانید بطور نزدیک یا از راه دور
00:40
interact with vast amounts of visual data.
5
15000
3000
با مقادیر بزرگی از داده های تصويري تعامل داشته باشید.
00:43
We're looking at many, many gigabytes of digital photos here
6
18000
3000
ما به گیگابایتهای بسیار زیادی از عکسهای دیجیتالی در اینجا نگاه می کنیم
00:46
and kind of seamlessly and continuously zooming in,
7
21000
3000
و به نوعي بدون وقفه و مرتب به داخل زوم می کنیم،
00:50
panning through the thing, rearranging it in any way we want.
8
25000
2000
با حرکت از میان آن، و باز آرایی آن بطور دلخواه.
00:52
And it doesn't matter how much information we're looking at,
9
27000
4000
و مهم نیست که به چه مقدار داده نگاه می کنیم
00:56
how big these collections are or how big the images are.
10
31000
3000
يا چه اندازه این مجموعه ها وسعت دارند یا اندازه تصاویر چقدر است.
00:59
Most of them are ordinary digital camera photos,
11
34000
2000
اکثر آنها عکسهای عادی دوربین دیجیتالی هستند،
01:01
but this one, for example, is a scan from the Library of Congress,
12
36000
3000
اما این یکی مثلآ، يك تصوير اسكن شده از کتابخانه کنگره است،
01:05
and it's in the 300 megapixel range.
13
40000
2000
و در حدود 300 مگاپیکسل می باشد.
01:08
It doesn't make any difference
14
43000
1000
فرقی نمی کند
01:09
because the only thing that ought to limit the performance
15
44000
3000
زیرا تنها چیزی که می تواند عملکرد
01:12
of a system like this one is the number of pixels on your screen
16
47000
3000
چنين سیستمی را محدود سازد تعداد پیکسلهای مونیتور شما است
01:15
at any given moment. It's also very flexible architecture.
17
50000
3000
در هر لحظه. همچنین معماري بسیار انعطاف پذیری دارد.
01:18
This is an entire book, so this is an example of non-image data.
18
53000
3000
این یک کتاب کامل است، مثاالی از داده های غیر تصویری.
01:22
This is "Bleak House" by Dickens. Every column is a chapter.
19
57000
5000
این خانه متروک نوشته دیکنز می باشد. هر ستون یک فصل است.
01:27
To prove to you that it's really text, and not an image,
20
62000
4000
برای ثابت نمودن به شما که آن واقعآ متن است و نه تصویر
01:31
we can do something like so, to really show
21
66000
2000
می توانیم کاری انجام دهیم تا واقعآ نشان دهیم
01:33
that this is a real representation of the text; it's not a picture.
22
68000
3000
که این یک بازسازی حقیقی از متن است؛ و عکس نیست.
01:37
Maybe this is a kind of an artificial way to read an e-book.
23
72000
2000
شاید این نوعی راه مصنوعی برای خواندن کتاب الكترونيكي است.
01:39
I wouldn't recommend it.
24
74000
1000
آنرا توصیه نمی کنم.
01:40
This is a more realistic case. This is an issue of The Guardian.
25
75000
3000
این موردی واقعی تر است. این شماره ای از روزنامه گاردین است.
01:43
Every large image is the beginning of a section.
26
78000
2000
هر تصویر بزرگ در ابتدای هر بخش است.
01:45
And this really gives you the joy and the good experience
27
80000
3000
و این واقعآ به شما شادی و تجربه خوب
01:48
of reading the real paper version of a magazine or a newspaper,
28
83000
5000
خواندن نوع کاغذی مجله یا روزنامه را می دهد،
01:54
which is an inherently multi-scale kind of medium.
29
89000
1000
که بطور اساسي نوعی رسانه چند مقياسي است.
01:56
We've also done a little something
30
91000
1000
ما همچنین کار کوچکی انجام دادیم
01:57
with the corner of this particular issue of The Guardian.
31
92000
3000
با گوشه این شماره خاص از روزنامه گاردین.
02:00
We've made up a fake ad that's very high resolution --
32
95000
3000
ما نسخه ای تقلبی از تبليغات ایجاد نمودیم که تفكيك پذيري بسیار بالايي دارد
02:03
much higher than you'd be able to get in an ordinary ad --
33
98000
2000
بسیار بالاتر از آنچه بتوان در تبلیغی عادی بدست آورد-
02:05
and we've embedded extra content.
34
100000
2000
و همراه آن محتوای بیشتری وارد ساختیم.
02:07
If you want to see the features of this car, you can see it here.
35
102000
2000
اگر می خواهید اجزای این خودرو را ببینید، می توانید آنها را اینجا ببینید.
02:10
Or other models, or even technical specifications.
36
105000
4000
یا مدلهای دیگر، یا حتی جزئیات فنی.
02:15
And this really gets at some of these ideas
37
110000
2000
و این واقعآ مي‌تواند به اين ايده نزديك شود
02:18
about really doing away with those limits on screen real estate.
38
113000
4000
كه ديگر نبايد نگران محدوديت فيزيكي صفحه مانيتور بود.
02:22
We hope that this means no more pop-ups
39
117000
2000
ما امیدواریم که این به معنی خاتمه حضور پاپ آپها باشد
02:24
and other kind of rubbish like that -- shouldn't be necessary.
40
119000
2000
و ديگر به چیزهای بیهوده ای مثل آنها- نیاز نخواهد بود.
02:27
Of course, mapping is one of those really obvious applications
41
122000
2000
البته، نقشه کشی یکی از استفاده های بارز
02:29
for a technology like this.
42
124000
2000
برای چنین فن آوری می باشد.
02:31
And this one I really won't spend any time on,
43
126000
2000
و برای این یکی وقتی نمی گذارم،
02:33
except to say that we have things to contribute to this field as well.
44
128000
2000
فقط خواهم گفت که چیزهایی برای اهدا به این رشته نیز داریم.
02:37
But those are all the roads in the U.S.
45
132000
2000
اما آنها همه راههای زمینی آمریکا هستند.
02:39
superimposed on top of a NASA geospatial image.
46
134000
4000
كه بر روي تصویری فضایی از ناسا قرار گرفته‌اند.
02:44
So let's pull up, now, something else.
47
139000
2000
پس بگذارید اکنون چیز دیگری بیاوریم.
02:46
This is actually live on the Web now; you can go check it out.
48
141000
3000
این در واقع الان بطور زنده دراینترنت است. می توانید به آن مراجعه کنید.
02:49
This is a project called Photosynth,
49
144000
1000
این پروژه ای است که فتو سینت نام دارد،
02:51
which really marries two different technologies.
50
146000
1000
که در واقع دو فن آوری را با هم می آمیزد.
02:52
One of them is Seadragon
51
147000
1000
یکی از آنها سی دراگون است
02:54
and the other is some very beautiful computer vision research
52
149000
2000
و آن یکی تحقیقی زیبا از بينايي کامپیوتری است
02:57
done by Noah Snavely, a graduate student at the University of Washington,
53
152000
2000
كه توسط نوا اسناولی، دانشجوی کارشناسی ارشد در دانشگاه واشنگتن انجام شده است
03:00
co-advised by Steve Seitz at U.W.
54
155000
2000
با مشاوره استیو سایتز از دانشگاه واشنگتن
03:02
and Rick Szeliski at Microsoft Research. A very nice collaboration.
55
157000
4000
و ریک شلیسکی از مركزتحقيقات مایکروسافت. همکاری خوبی بود.
03:07
And so this is live on the Web. It's powered by Seadragon.
56
162000
2000
بنابراین این دراینترنت بطور زنده است. با پشتیبانی سی دراگون.
03:09
You can see that when we kind of do these sorts of views,
57
164000
2000
می بینید که وقتی این نوع تصاویر را نمایش می دهیم،
03:12
where we can dive through images
58
167000
1000
می توانیم داخل تصاویر غوطه‌ور شويم
03:14
and have this kind of multi-resolution experience.
59
169000
1000
و این نوع تجربه چند رزولوشنی را داشته باشیم.
03:16
But the spatial arrangement of the images here is actually meaningful.
60
171000
4000
اما آرایش فضایی تصاویر در واقع معنی دار است.
03:20
The computer vision algorithms have registered these images together
61
175000
3000
الگوریتمهای بينايي کامپیوتری این تصاویر را با هم ثبت کرده است
03:23
so that they correspond to the real space in which these shots --
62
178000
4000
بطوریکه با فضای واقعی که این تصاویر در آن گرفته شده‌اند
03:27
all taken near Grassi Lakes in the Canadian Rockies --
63
182000
2000
يعني نزدیک دریاچه های گراسی در سلسله کوههای راکی کانادا-
03:31
all these shots were taken. So you see elements here
64
186000
2000
همخوانی داشته باشد. پس اینجا عناصری می بینید
03:33
of stabilized slide-show or panoramic imaging,
65
188000
4000
از نمایش اسلاید تثبیت یافته یا تصویر سازی منظره ای
03:40
and these things have all been related spatially.
66
195000
2000
و این چیزها همه بطور فضایی بهم مربوط شده اند.
03:42
I'm not sure if I have time to show you any other environments.
67
197000
3000
مطمئن نیستم که وقت دارم محیطهای دیگری به شما نشان دهم.
03:45
There are some that are much more spatial.
68
200000
1000
بعضی وجود دارند که بسیار گسترده ترند.
03:47
I would like to jump straight to one of Noah's original data-sets --
69
202000
3000
می خواهم به یکی از مجموعه داده های اصلی نوا بروم-
03:50
and this is from an early prototype of Photosynth
70
205000
2000
و این از یکی از نمونه‌هاي اولیه فوتوسینت می باشد-
03:52
that we first got working in the summer --
71
207000
2000
که ابتدا در تابستان شروع به کار بر آن کردیم-
03:54
to show you what I think
72
209000
1000
تا به شما نشان دهم که چه فکر می کنم
03:55
is really the punch line behind this technology,
73
210000
3000
واقعآ جز اصلی این فن آوری می باشد.
03:59
the Photosynth technology. And it's not necessarily so apparent
74
214000
2000
فن آوری فوتو سینت. و لزومآ آنقدر واضح نیست
04:01
from looking at the environments that we've put up on the website.
75
216000
3000
با نگاه کردن به مناظری که بر وب سایت گذاشته ایم.
04:04
We had to worry about the lawyers and so on.
76
219000
2000
لازم بود نگران وکلا و غیره باشیم.
04:07
This is a reconstruction of Notre Dame Cathedral
77
222000
1000
این بازسازی کلیسای نوتر دام است
04:09
that was done entirely computationally
78
224000
2000
که کاملآ با کامپیوتر انجام شد
04:11
from images scraped from Flickr. You just type Notre Dame into Flickr,
79
226000
3000
با استفاذه از تصاویر فلیکر. کافی است در فلیکر عبارت نوتر دام را تایپ کنید،
04:14
and you get some pictures of guys in t-shirts, and of the campus
80
229000
3000
و عکسهایی از افراد با تی شرت و محیط دانشگاهی
04:17
and so on. And each of these orange cones represents an image
81
232000
4000
و غیره دریافت می کنید. و هر کدام از این مخروطهای نارنجی رنگ نمایانگر یک تصویر است
04:22
that was discovered to belong to this model.
82
237000
2000
که به این الگو متعلق می باشد.
04:26
And so these are all Flickr images,
83
241000
2000
بنابراین اینها همه تصاویر فلیکر هستند
04:28
and they've all been related spatially in this way.
84
243000
3000
و همه آنها بدین طریق به لحاظ فضائی مربوط شده اند.
04:31
And we can just navigate in this very simple way.
85
246000
2000
و ما می توانیم بدین طریق ساده آنها را مرور کنیم.
04:35
(Applause)
86
250000
9000
(تشویق)
04:44
You know, I never thought that I'd end up working at Microsoft.
87
259000
2000
می دانید، هرگز فکر نمی کردم که در مایکروسافت کار کنم.
04:46
It's very gratifying to have this kind of reception here.
88
261000
4000
براي من خیلی رضایت بخش است که در چنين مراسمي تشويق شوم.
04:50
(Laughter)
89
265000
3000
(خنده)
04:53
I guess you can see
90
268000
3000
گمان می کنم می توانید ببینید
04:56
this is lots of different types of cameras:
91
271000
2000
که اینها انواع بسیاری از دوربین است:
04:58
it's everything from cell phone cameras to professional SLRs,
92
273000
3000
همه چیز ازدوربینهای موبایل گرفته تا اس ال آرهای حرفه ای،
05:02
quite a large number of them, stitched
93
277000
1000
تعداد بزرگی از آنها كه به همديگر وصل شده‌اند
05:03
together in this environment.
94
278000
1000
در این محیط.
05:04
And if I can, I'll find some of the sort of weird ones.
95
279000
2000
و اگر بتوانم، انواع عجیب آنرا پیدا می کنم.
05:08
So many of them are occluded by faces, and so on.
96
283000
3000
بسیاری از آنها توسط صورتها بسته شده اند و غیره.
05:13
Somewhere in here there are actually
97
288000
1000
در جایی اینجا در واقع
05:15
a series of photographs -- here we go.
98
290000
1000
یک سری عکس وجود دارد- اینجا است.
05:17
This is actually a poster of Notre Dame that registered correctly.
99
292000
3000
این در واقع پوستری از نوتر دام است که صحیح ثبت شده است.
05:21
We can dive in from the poster
100
296000
2000
ما می توانیم از پوستر
05:24
to a physical view of this environment.
101
299000
3000
وارد دیدگاهی فیزیکی این محیط شویم.
05:31
What the point here really is is that we can do things
102
306000
3000
نکته واقعی اینجاست که ما می توانیم کارهایی را انجام دهیم
05:34
with the social environment. This is now taking data from everybody --
103
309000
5000
با محیط اجتماعی. این هم اکنون از همه داده می گیرد-
05:39
from the entire collective memory
104
314000
1000
از کل حافظه جمعی
05:40
of, visually, of what the Earth looks like --
105
315000
2000
از آنچه کره زمین بطور تصويري بنظر می رسد-
05:43
and link all of that together.
106
318000
1000
و همه آنها را به هم مربوط می سازد.
05:44
All of those photos become linked together,
107
319000
2000
تمام آن عکسها به هم مربوط می شوند
05:46
and they make something emergent
108
321000
1000
و آنها چیزی را ایجاد می کنند
05:47
that's greater than the sum of the parts.
109
322000
2000
که بزرگتر از مجموع اجزایش است.
05:49
You have a model that emerges of the entire Earth.
110
324000
2000
شما الگویی دارید که از کل کره زمین پدید می آید.
05:51
Think of this as the long tail to Stephen Lawler's Virtual Earth work.
111
326000
5000
فکر کنید که این انتهای بلندی از اثر زمین مجازي توسط استیفن لاولر است.
05:56
And this is something that grows in complexity
112
331000
2000
و این چیزی است که بطور افزون پیچیده تر می شود
05:58
as people use it, and whose benefits become greater
113
333000
3000
با مرور استفاده مردم، و فواید آن بیشتر می شوند
06:01
to the users as they use it.
114
336000
2000
برای مصرف کنندگان با مرور استفاده.
06:03
Their own photos are getting tagged with meta-data
115
338000
2000
عکسهای خودشان با فرا-داده ها برچسب گذاري می شوند
06:05
that somebody else entered.
116
340000
1000
داده هایی که شخص دیگری وارد ساخته.
06:07
If somebody bothered to tag all of these saints
117
342000
3000
اگر کسی وقت صرف نامیدن این قدیسان نموده
06:10
and say who they all are, then my photo of Notre Dame Cathedral
118
345000
3000
و بگوید آنها چه کسانی هستند، پس عکس من از کلیسای بزرگ نوتر دام
06:13
suddenly gets enriched with all of that data,
119
348000
2000
ناگهان با آن داده ها غنی می شود،
06:15
and I can use it as an entry point to dive into that space,
120
350000
3000
و من می توانم از آن بعنوان نقطه ورود برای داخل شدن در آن فضا استفاده کنم.
06:18
into that meta-verse, using everybody else's photos,
121
353000
2000
داخل آن فرا-نوشته با استفاده از عکسهای دیگران
06:21
and do a kind of a cross-modal
122
356000
2000
و نوعی
06:25
and cross-user social experience that way.
123
360000
3000
تجربه اجتماعی بین حسی و بین مصرف کننده به آن صورت انجام دهم.
06:28
And of course, a by-product of all of that
124
363000
1000
و البته، محصول جانبی تمام آنها
06:30
is immensely rich virtual models
125
365000
2000
الگوهای مجازي بسیار غنی
06:32
of every interesting part of the Earth, collected
126
367000
2000
هر بخش جالب کره زمین است، كه تدوین شده‌اند
06:35
not just from overhead flights and from satellite images
127
370000
3000
نه تنها توسط پروازهای فوقانی و تصاویر ماهواره ای
06:38
and so on, but from the collective memory.
128
373000
2000
و غیره، بلکه از حافظه جمعی.
06:40
Thank you so much.
129
375000
2000
بسیار متشکرم.
06:42
(Applause)
130
377000
11000
(تشویق)
06:53
Chris Anderson: Do I understand this right? That what your software is going to allow,
131
388000
4000
کریس اندرسون: آیا درست متوجه شدم؟ که آنچه نرم افزار شما مجال می دهد،
06:58
is that at some point, really within the next few years,
132
393000
2000
این است که در نقطه ای، واقعآ در چند سال آینده،
07:01
all the pictures that are shared by anyone across the world
133
396000
4000
تمام عکسهایی که توسط هر کس در سراسر جهان تبادل می شوند
07:05
are going to basically link together?
134
400000
2000
اساسآ با هم مربوط می شوند؟
07:07
BAA: Yes. What this is really doing is discovering.
135
402000
2000
ب. آ. آ: بله. آنچه این انجام می دهد اکتشاف است.
07:09
It's creating hyperlinks, if you will, between images.
136
404000
3000
بین تصاویر، می توان گفت که هایپرلینک ایجاد می کند.
07:12
And it's doing that
137
407000
1000
و آنرا انجام می دهد
07:13
based on the content inside the images.
138
408000
1000
بر اساس محتوای درون تصاویر.
07:14
And that gets really exciting when you think about the richness
139
409000
3000
و آن بسیار هیجان آور است وقتی به غنای
07:17
of the semantic information that a lot of those images have.
140
412000
2000
داده های معنای کلماتی که بسیاری از آن تصاویر دارند فکر کنیم.
07:19
Like when you do a web search for images,
141
414000
2000
مثلآ وقتی در اینترنت برای تصاویر جستجو می کنید،
07:22
you type in phrases, and the text on the web page
142
417000
2000
لغات تایپ می کنید، و متن صفحه اینترتنی
07:24
is carrying a lot of information about what that picture is of.
143
419000
3000
اطلاعات زیادی راجع به محتوای تصويري حمل می کند.
07:27
Now, what if that picture links to all of your pictures?
144
422000
2000
حال چه می شود اگر آن عکس به تمام عکسهای شما مربوط شود؟
07:29
Then the amount of semantic interconnection
145
424000
2000
آنگاه مقدار ارتباط فیمابین معنايی
07:31
and the amount of richness that comes out of that
146
426000
1000
و مقدار غنایی که از آن می آید
07:32
is really huge. It's a classic network effect.
147
427000
3000
بسیار عظیم است. اثر شبکه ای کلاسیک است.
07:35
CA: Blaise, that is truly incredible. Congratulations.
148
430000
2000
سی. اس: بلیز این واقعآ باور نکردنی است. تبریک می گویم.
07:37
BAA: Thanks so much.
149
432000
1000
بی ای ای: بسیار متشکرم.
ABOUT THE SPEAKER
Blaise Agüera y Arcas - Software architectBlaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces.
Why you should listen
Blaise Agüera y Arcas is principal scientist at Google, where he leads a team working on machine intelligence for mobile devices. His group works extensively with deep neural nets for machine perception and distributed learning, and it also investigates so-called "connectomics" research, assessing maps of connections within the brain.
Agüera y Arcas' background is as multidimensional as the visions he helps create. In the 1990s, he authored patents on both video compression and 3D visualization techniques, and in 2001, he made an influential computational discovery that cast doubt on Gutenberg's role as the father of movable type.
He also created Seadragon (acquired by Microsoft in 2006), the visualization technology that gives Photosynth its amazingly smooth digital rendering and zoom capabilities. Photosynth itself is a vastly powerful piece of software capable of taking a wide variety of images, analyzing them for similarities, and grafting them together into an interactive three-dimensional space. This seamless patchwork of images can be viewed via multiple angles and magnifications, allowing us to look around corners or “fly” in for a (much) closer look. Simply put, it could utterly transform the way we experience digital images.
He joined Microsoft when Seadragon was acquired by Live Labs in 2006. Shortly after the acquisition of Seadragon, Agüera y Arcas directed his team in a collaboration with Microsoft Research and the University of Washington, leading to the first public previews of Photosynth several months later. His TED Talk on Seadragon and Photosynth in 2007 is rated one of TED's "most jaw-dropping." He returned to TED in 2010 to demo Bing’s augmented reality maps.
Fun fact: According to the author, Agüera y Arcas is the inspiration for the character Elgin in the 2012 best-selling novel Where'd You Go, Bernadette?
Blaise Agüera y Arcas | Speaker | TED.com