TED2007
Blaise Agüera y Arcas: How PhotoSynth can connect the world's images
Blaise Aguera y Arcas Photosynth bemutatója
Filmed:
Readability: 4.3
5,831,957 views
Blaise Aguera y Arcas káprázatos bemutatót tart a Photosynth szoftverről, ami képes lehet megváltoztatni azt, ahogyan a digitális képekre tekintünk. A világhálóról összegyűjtött fotók segítségével a Photosynth lélegzetelállító látványt épít fel, ami lehetővé teszi, hogy navigálni tudjunk közöttük.
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
Amit most megpróbálok minél gyorsabban bemutatni önöknek
00:27
is some foundational work, some new technology
1
2000
4000
az egy alapítványi munka, egy új technológia
00:31
that we brought to Microsoft as part of an acquisition
2
6000
3000
ami egy vásárlás útján került a Microsoft birtokába
00:34
almost exactly a year ago. This is Seadragon,
3
9000
3000
majdnem pontosan egy évvel ezelőtt. Ez a Seadragon.
00:37
and it's an environment in which you can either locally or remotely
4
12000
3000
Ez egy olyan környezet, amiben akár helyben, akár távolról
00:40
interact with vast amounts of visual data.
5
15000
3000
hatalmas mennyiségű vizuális adatot kezelhetünk.
00:43
We're looking at many, many gigabytes of digital photos here
6
18000
3000
Itt most éppen nagyon-nagyon sok gigabájtnyi digitális fotót láthatnak
00:46
and kind of seamlessly and continuously zooming in,
7
21000
3000
zökkenőmentesen és folyamatosan tudunk nagyítani
00:50
panning through the thing, rearranging it in any way we want.
8
25000
2000
mozogni a tartalomban, vagy tetszésünk szerint átrendezni
00:52
And it doesn't matter how much information we're looking at,
9
27000
4000
Egyáltalán nem számít, hogy mennyi információt is nézünk,
00:56
how big these collections are or how big the images are.
10
31000
3000
hogy mekkorák ezek a gyűjtemények, vagy az egyes képek.
00:59
Most of them are ordinary digital camera photos,
11
34000
2000
Ezek legtöbbje általános digitális fotó,
01:01
but this one, for example, is a scan from the Library of Congress,
12
36000
3000
de ez az egy például a Kongresszusi Könyvtár scannelt anyaga,
01:05
and it's in the 300 megapixel range.
13
40000
2000
és nagyjából 300 megapixel felbontású.
01:08
It doesn't make any difference
14
43000
1000
De ez sem jelent semmi különbséget
01:09
because the only thing that ought to limit the performance
15
44000
3000
mert az egyetlen dolog, ami a rendszer teljesítményét befolyásolja
01:12
of a system like this one is the number of pixels on your screen
16
47000
3000
az a képernyőn éppen látható képpontok száma
01:15
at any given moment. It's also very flexible architecture.
17
50000
3000
bármelyik időpillanatban. Ez a megoldás nagyon rugalmas.
01:18
This is an entire book, so this is an example of non-image data.
18
53000
3000
Ez itt egy teljes könyv, példa a nem képi adatokra.
01:22
This is "Bleak House" by Dickens. Every column is a chapter.
19
57000
5000
Dickens Puszta Ház című könyve. Minden oszlop egy fejezet.
01:27
To prove to you that it's really text, and not an image,
20
62000
4000
Hogy bizonyítsuk, hogy ez tényleg szöveg, és nem kép,
01:31
we can do something like so, to really show
21
66000
2000
csinálhatunk például így, hogy megmutassuk
01:33
that this is a real representation of the text; it's not a picture.
22
68000
3000
hogy ez tényleg szöveges tartalom; nem egy kép.
01:37
Maybe this is a kind of an artificial way to read an e-book.
23
72000
2000
Talán ez is egy lehetséges mód az e-könyv olvasásra.
01:39
I wouldn't recommend it.
24
74000
1000
Én nem ajánlanám.
01:40
This is a more realistic case. This is an issue of The Guardian.
25
75000
3000
Ez egy sokkal élethűbb alkalmazás. A Guardian egyik száma.
01:43
Every large image is the beginning of a section.
26
78000
2000
Mindegyik nagy kép egy rovat kezdete.
01:45
And this really gives you the joy and the good experience
27
80000
3000
Ez pedig az igazi élmény és szórakozás a dologban
01:48
of reading the real paper version of a magazine or a newspaper,
28
83000
5000
egy újság vagy magazin igazi nyomtatott változatát olvasni,
01:54
which is an inherently multi-scale kind of medium.
29
89000
1000
amiben jellemzően mindennek más lehet a mérete.
01:56
We've also done a little something
30
91000
1000
Egy kicsit módosítottuk ezt a sarkát
01:57
with the corner of this particular issue of The Guardian.
31
92000
3000
a Guardian egyik nyomtatott számának.
02:00
We've made up a fake ad that's very high resolution --
32
95000
3000
Lecseréltük ezt a hirdetést egy nagyon nagy felbontásúra --
02:03
much higher than you'd be able to get in an ordinary ad --
33
98000
2000
sokkal nagyobb felbontásúra, mint amit ki lehetne nyomtatni --
02:05
and we've embedded extra content.
34
100000
2000
és bele helyeztünk némi extra tartalmat.
02:07
If you want to see the features of this car, you can see it here.
35
102000
2000
Ha látni szeretnék a kocsi paramétereit, itt megnézhetik.
02:10
Or other models, or even technical specifications.
36
105000
4000
Vagy más modelleket, esetleg a műszaki adatait is.
02:15
And this really gets at some of these ideas
37
110000
2000
És így kezdenek ezzel a módszerrel
02:18
about really doing away with those limits on screen real estate.
38
113000
4000
megszűnni a képernyő méretek által szabott korlátok.
02:22
We hope that this means no more pop-ups
39
117000
2000
Reméljük, hogy ezzel eltűnnek majd a felugró hirdetések
02:24
and other kind of rubbish like that -- shouldn't be necessary.
40
119000
2000
és minden hasonló zavaró megoldás -- nem lesz rájuk szükség.
02:27
Of course, mapping is one of those really obvious applications
41
122000
2000
Persze a térképészet az egyik legkézenfekvőbb terület
02:29
for a technology like this.
42
124000
2000
egy ilyen technológia alkalmazására.
02:31
And this one I really won't spend any time on,
43
126000
2000
Erre igazán nem is akarok sok időt pazarolni,
02:33
except to say that we have things to contribute to this field as well.
44
128000
2000
csak hogy ezen a területen is fel tudunk mutatni pár dolgot.
02:37
But those are all the roads in the U.S.
45
132000
2000
Ez itt az USA teljes úthálózata
02:39
superimposed on top of a NASA geospatial image.
46
134000
4000
ráhelyezve a NASA egyik föld képére.
02:44
So let's pull up, now, something else.
47
139000
2000
Hagyjuk most ezt, jöjjön valami más.
02:46
This is actually live on the Web now; you can go check it out.
48
141000
3000
Ez már mind elérhető a világhálón; próbálják csak ki.
02:49
This is a project called Photosynth,
49
144000
1000
Ennek a projektnek a neve Photosynth,
02:51
which really marries two different technologies.
50
146000
1000
két különböző technológia remek házassága.
02:52
One of them is Seadragon
51
147000
1000
Az egyik közülük a Seadragon
02:54
and the other is some very beautiful computer vision research
52
149000
2000
a másik pedig egy nagyon látványos kutatás
02:57
done by Noah Snavely, a graduate student at the University of Washington,
53
152000
2000
amit a Washingtoni Egyetemen az egyik végzős diák, Noah Snavely végzett,
03:00
co-advised by Steve Seitz at U.W.
54
155000
2000
Steve Seitz irányítása alatt
03:02
and Rick Szeliski at Microsoft Research. A very nice collaboration.
55
157000
4000
a Microsoft kutatói közül pedig Rick Szeliskivel. Nagyon szép együttműködés.
03:07
And so this is live on the Web. It's powered by Seadragon.
56
162000
2000
És ez is fent van az Interneten. Ezt is a Seadragon működteti.
03:09
You can see that when we kind of do these sorts of views,
57
164000
2000
Láthatják, hogy mi jelenik meg ezekben a nézetekben,
03:12
where we can dive through images
58
167000
1000
vessük magunkat a képek közé
03:14
and have this kind of multi-resolution experience.
59
169000
1000
ez a többszörös felbontás különleges élménye.
03:16
But the spatial arrangement of the images here is actually meaningful.
60
171000
4000
Viszont itt a képek térbeli elrendezése lényeges igazán.
03:20
The computer vision algorithms have registered these images together
61
175000
3000
A képeket a számítógépes látvány-algoritmusok rendezték el,
03:23
so that they correspond to the real space in which these shots --
62
178000
4000
olyan módon, ahogyan a valós térben is elhelyezkednek --
03:27
all taken near Grassi Lakes in the Canadian Rockies --
63
182000
2000
mind a Grassi Tónál készült a kanadai Sziklás hegységben.
03:31
all these shots were taken. So you see elements here
64
186000
2000
Ezek itt fotó részletek egy összetett
03:33
of stabilized slide-show or panoramic imaging,
65
188000
4000
diavetítésben, vagy egy panoráma képben.
03:40
and these things have all been related spatially.
66
195000
2000
és mind térbeli kapcsolatban állnak egymással.
03:42
I'm not sure if I have time to show you any other environments.
67
197000
3000
Nem vagyok benne biztos, hogy az idő elég más helyeket mutatni.
03:45
There are some that are much more spatial.
68
200000
1000
Vannak, amik ennél sokkal térbelibbek.
03:47
I would like to jump straight to one of Noah's original data-sets --
69
202000
3000
Rögtön át is ugrok Noah egyik eredeti adat halmazára --
03:50
and this is from an early prototype of Photosynth
70
205000
2000
és ez még egy korai Photosynth prototípusból való
03:52
that we first got working in the summer --
71
207000
2000
amivel a nyáron dolgoztunk először --
03:54
to show you what I think
72
209000
1000
megmutatom, mit tartok én
03:55
is really the punch line behind this technology,
73
210000
3000
ennek a technológiának a valós értelmének,
03:59
the Photosynth technology. And it's not necessarily so apparent
74
214000
2000
a Photosynth értelme. Talán nem látja mindenki rögtön
04:01
from looking at the environments that we've put up on the website.
75
216000
3000
azokon a helyszíneken, amiket feltettünk a weboldalra.
04:04
We had to worry about the lawyers and so on.
76
219000
2000
Tartottunk az ügyvedektől és a perektől.
04:07
This is a reconstruction of Notre Dame Cathedral
77
222000
1000
Ez a Notre Dame katedrális modellje
04:09
that was done entirely computationally
78
224000
2000
amit teljes egészében számítógép generált
04:11
from images scraped from Flickr. You just type Notre Dame into Flickr,
79
226000
3000
a Flickrről letöltött képekből. Csak beírják a Flickren, hogy Notre Dame,
04:14
and you get some pictures of guys in t-shirts, and of the campus
80
229000
3000
és felhoz néhány képet pólós srácokról, és a környékről
04:17
and so on. And each of these orange cones represents an image
81
232000
4000
és így tovább. Mindegyik narancssárga kúp egy képet jelez
04:22
that was discovered to belong to this model.
82
237000
2000
ami ehhez a modellhez tartozik.
04:26
And so these are all Flickr images,
83
241000
2000
Nos ezek itt a képek a Flickr-ről,
04:28
and they've all been related spatially in this way.
84
243000
3000
és így viszonyulnak egymáshoz a térben.
04:31
And we can just navigate in this very simple way.
85
246000
2000
Ennyire egyszerűen tudunk köztük navigálni.
04:35
(Applause)
86
250000
9000
(Taps)
04:44
You know, I never thought that I'd end up working at Microsoft.
87
259000
2000
Tudják, én sosem hittem, hogy a Microsoftnál fogok egyszer dolgozni.
04:46
It's very gratifying to have this kind of reception here.
88
261000
4000
Örülök, hogy ilyen remek fogadtatásban részesül.
04:50
(Laughter)
89
265000
3000
(Nevetés)
04:53
I guess you can see
90
268000
3000
Gondolom mind látják
04:56
this is lots of different types of cameras:
91
271000
2000
ezek mind más fényképezőgéppel készültek:
04:58
it's everything from cell phone cameras to professional SLRs,
92
273000
3000
van köztük mindenféle, mobiltelefontól profi fényképezőgépig.
05:02
quite a large number of them, stitched
93
277000
1000
elég sok féle, összeillesztve
05:03
together in this environment.
94
278000
1000
egymás mellé ebben a térben.
05:04
And if I can, I'll find some of the sort of weird ones.
95
279000
2000
És talán megtalálok párat a furcsábbak közül is.
05:08
So many of them are occluded by faces, and so on.
96
283000
3000
Egy csomó képbe belógnak arcok, és ilyesmi.
05:13
Somewhere in here there are actually
97
288000
1000
Van itt valahol egy olyan sorozat is
05:15
a series of photographs -- here we go.
98
290000
1000
néhány képpel -- itt is van.
05:17
This is actually a poster of Notre Dame that registered correctly.
99
292000
3000
Ez egy poszter a Notre Dame-ról, ami tökéletesen illeszkedik a modellre.
05:21
We can dive in from the poster
100
296000
2000
Át tudunk váltani más képekre a poszterről is
05:24
to a physical view of this environment.
101
299000
3000
egy másik, fizikai nézetre ebben a térben.
05:31
What the point here really is is that we can do things
102
306000
3000
A lényeg itt az, hogy rendkívüli dolgokat tehetünk
05:34
with the social environment. This is now taking data from everybody --
103
309000
5000
a társadalmi közegben. Mindenkitől szerezhetünk információkat --
05:39
from the entire collective memory
104
314000
1000
az egész össz-közösségi emléktárból
05:40
of, visually, of what the Earth looks like --
105
315000
2000
vizuálisan felépítve, ahogy a Föld kinéz --
05:43
and link all of that together.
106
318000
1000
és mindezt összekapcsolhatjuk.
05:44
All of those photos become linked together,
107
319000
2000
Az összes fotót összekapcsolja,
05:46
and they make something emergent
108
321000
1000
és valami rendkívülit eredményez
05:47
that's greater than the sum of the parts.
109
322000
2000
ami sokkal nagyobb az alkotóelemei összességénél.
05:49
You have a model that emerges of the entire Earth.
110
324000
2000
Van egy modell, ami magába foglalja a teljes Földet.
05:51
Think of this as the long tail to Stephen Lawler's Virtual Earth work.
111
326000
5000
Gondoljanak rá úgy, mint Stephen Lawyer Virtuális Föld munkája.
05:56
And this is something that grows in complexity
112
331000
2000
És ez valami olyan, ami folyamatosan növekszik
05:58
as people use it, and whose benefits become greater
113
333000
3000
ahogy az emberek használják, és egyre hasznosabbá válik
06:01
to the users as they use it.
114
336000
2000
a felhasználói számára.
06:03
Their own photos are getting tagged with meta-data
115
338000
2000
Mindenki fotói meta-adatokkal gazdagodnak
06:05
that somebody else entered.
116
340000
1000
amiket mások adnak hozzájuk.
06:07
If somebody bothered to tag all of these saints
117
342000
3000
Ha valaki mindegyik szentet beazonosítaná
06:10
and say who they all are, then my photo of Notre Dame Cathedral
118
345000
3000
és megmondaná, hogy kicsodák, akkor a fotóm a Notre Dame katedrálisról
06:13
suddenly gets enriched with all of that data,
119
348000
2000
hirtelen gazdagodna mindezzel az információval,
06:15
and I can use it as an entry point to dive into that space,
120
350000
3000
és használhatom kiindulópontként, hogy belépjek ebbe a térbe,
06:18
into that meta-verse, using everybody else's photos,
121
353000
2000
ebbe a meta-verzumba, ami mindenki más fotójából építkezik,
06:21
and do a kind of a cross-modal
122
356000
2000
ezzel egy módok közti
06:25
and cross-user social experience that way.
123
360000
3000
és felhasználók közti közösségi élményt hoz létre.
06:28
And of course, a by-product of all of that
124
363000
1000
És persze mindezek melléktermékei
06:30
is immensely rich virtual models
125
365000
2000
rendkívül gazdag látvány modellek
06:32
of every interesting part of the Earth, collected
126
367000
2000
a Föld minden érdekes területéről, ami
06:35
not just from overhead flights and from satellite images
127
370000
3000
nem csak légifelvételekből és műhold képekből áll
06:38
and so on, but from the collective memory.
128
373000
2000
hanem a kollektív emlékezetből épül fel.
06:40
Thank you so much.
129
375000
2000
Nagyon szépen köszönöm.
06:42
(Applause)
130
377000
11000
(Taps)
06:53
Chris Anderson: Do I understand this right? That what your software is going to allow,
131
388000
4000
Chris Anderson: Jól értem? A szoftveretek lehetővé teszi,
06:58
is that at some point, really within the next few years,
132
393000
2000
valamikor a következő pár éven belül, hogy
07:01
all the pictures that are shared by anyone across the world
133
396000
4000
minden az emberek által megosztott kép a világon
07:05
are going to basically link together?
134
400000
2000
lényegében összekapcsolódjon egymással?
07:07
BAA: Yes. What this is really doing is discovering.
135
402000
2000
BAA: Igen. Amit ez igazából jelent, az a felfedezés.
07:09
It's creating hyperlinks, if you will, between images.
136
404000
3000
Ha úgy tetszik, hiperhivatkozások jönnek létre, a képek között.
07:12
And it's doing that
137
407000
1000
És pontosan ezt csinálja
07:13
based on the content inside the images.
138
408000
1000
a képek tartalma közötti kapcsolat alapján.
07:14
And that gets really exciting when you think about the richness
139
409000
3000
Ez akkor válik igazán izgalmassá, ha a tartalmi információ
07:17
of the semantic information that a lot of those images have.
140
412000
2000
gazdagságára gondolnak, ami ezekben a képekben rejlik.
07:19
Like when you do a web search for images,
141
414000
2000
Például amikor a weben képeket keres,
07:22
you type in phrases, and the text on the web page
142
417000
2000
begépel egy kifejezést, és a honlapokon levő szöveg
07:24
is carrying a lot of information about what that picture is of.
143
419000
3000
hordoz egy csomó információt arról, hogy milyen kép is az.
07:27
Now, what if that picture links to all of your pictures?
144
422000
2000
Mi lenne, ha maguk a képpek hivatkoznának egymásra?
07:29
Then the amount of semantic interconnection
145
424000
2000
Akkor a tartalmi összefüggések mértéke
07:31
and the amount of richness that comes out of that
146
426000
1000
és a vele együtt járó gazdagság mértéke
07:32
is really huge. It's a classic network effect.
147
427000
3000
igazán hatalmas lenne. Ez a klasszikus hálózati hatás.
07:35
CA: Blaise, that is truly incredible. Congratulations.
148
430000
2000
CA: Blaise, ez igazán bámulatos. Gratulálok.
07:37
BAA: Thanks so much.
149
432000
1000
BAA: Köszönöm szépen.
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