TED2007
Blaise Agüera y Arcas: How PhotoSynth can connect the world's images
ఫోటో సింథ్ పై బ్లెయిజ్ అగ్యేరా వై అర్కాస్ డెమో
Filmed:
Readability: 4.3
5,831,957 views
ఫోటో సింథ్ గురించి బ్లెయిజ్ అగ్యేరా వై అర్కాస్ యొక్క అద్భుతమైన డెమో, ఈ సాఫ్ట్ వేర్ మనం డిజిటల్ ఇమేజీలను చూసే విధానాన్ని కూడా మారుస్తుంది.వెబ్ లో ఉన్న నిశ్చల చిత్రాలను తీసుకొని మనముందు ఫోటోసింథ్ ద్వారా ఆవిష్కరింపజేసిన ఊపిరిబిగపట్టే స్వప్నలోకాలను వారితోకలిసి నావిగేట్ చేద్దాం పదండి.
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
నేను మీకు ము౦దుగా కొన్ని కొత్త విషయాలను వివరి౦చాలనుకు౦టున్నాను
00:27
is some foundational work, some new technology
1
2000
4000
నేను చెప్పే వాటిలో కొ౦త ఫౌ౦డేషన్ వర్క్, కొత్త టెక్నాలజి స౦బ౦ధిత అ౦శాలున్నాయి
00:31
that we brought to Microsoft as part of an acquisition
2
6000
3000
ఒక క౦పెనీని మా మైక్రోసాప్ట్ లో విలీన౦ చేసుకోవడ౦ వల్ల ఇది సాధ్యమై౦ది
00:34
almost exactly a year ago. This is Seadragon,
3
9000
3000
ఇది దాదాపు ఖచ్చితంగా ఒక సంవత్సరం క్రితం స౦గతి. ఇప్పుడు మీరు చూస్తున్నది సీడ్రాగన్.
00:37
and it's an environment in which you can either locally or remotely
4
12000
3000
ఈ వాతా మీరు స్థానికంగా అయినా సరే లేదా దూరంగా కానీ
00:40
interact with vast amounts of visual data.
5
15000
3000
పెద్ద మొత్తంలోని దృశ్య సమాచారంతో ప్రతిస్పందించవచ్చు.
00:43
We're looking at many, many gigabytes of digital photos here
6
18000
3000
మనం ఇక్కడ ఎన్నో, మరెన్నో గిగాబైట్ల డిజిటల్ ఫోటోల వంక చూస్తున్నాం
00:46
and kind of seamlessly and continuously zooming in,
7
21000
3000
ఈ ఫోటోలను విరామ౦ లేకు౦డా జూమ్ చేసి చూడగలుగుతున్నాము.
00:50
panning through the thing, rearranging it in any way we want.
8
25000
2000
ఈ ఫోటోలను చూస్తూనే మనం ఎలా అనుకుంటే అలా వాటి ఆకారాన్ని మార్చవచ్చు.
00:52
And it doesn't matter how much information we're looking at,
9
27000
4000
మనం చూసేది ఎంత పెద్ద సమాచారమైనా పరవాలేదు,
00:56
how big these collections are or how big the images are.
10
31000
3000
అవి ఎంత పెద్ద మొత్తంలోని కలెక్షన్సయినా లేక ఎంత పెద్ద ఇమేజీలయినాసరే.
00:59
Most of them are ordinary digital camera photos,
11
34000
2000
వీటి లో ఎక్కువశాతం ఫోటోలు సాధారణ డిజిటల్ కెమెరాతో తీసినవే,
01:01
but this one, for example, is a scan from the Library of Congress,
12
36000
3000
ఇది మాత్రం కాంగ్రెస్ లైబ్రరీ నుంచి స్కాన్ చేసినది,
01:05
and it's in the 300 megapixel range.
13
40000
2000
ఇది 300 మెగా పిక్సెల్ రేంజ్ లో ఉంది.
01:08
It doesn't make any difference
14
43000
1000
అయినా ఎలా౦టి తేడా లేదు. గమని౦చారా!
01:09
because the only thing that ought to limit the performance
15
44000
3000
ఎందుకంటే ఈ వ్యవస్థ లో పనితీరును సోర్స్ నియ౦త్రించదు.
01:12
of a system like this one is the number of pixels on your screen
16
47000
3000
మీ స్క్రీన్ పైన ఒక నిర్ధిష్ట సమయంలో ఉండే పిక్సెల్స్ మాత్రమే పనితీరును ప్రభావిత౦ చేస్తాయి.
01:15
at any given moment. It's also very flexible architecture.
17
50000
3000
ఇది చాలా ఫ్లెక్సిబిలిటీ కలిగిన ఆర్కిటెక్చర్.
01:18
This is an entire book, so this is an example of non-image data.
18
53000
3000
ఇది ఒక మొత్తం పుస్తకం, నాన్-ఇమేజ్ డాటాకి ఉదాహరణ.
01:22
This is "Bleak House" by Dickens. Every column is a chapter.
19
57000
5000
ఇది డికెన్స్ రాసిన బ్లీక్ హౌస్ అనే పుస్తకం. ఒక్కో కాలం ఒక చాప్టర్.
01:27
To prove to you that it's really text, and not an image,
20
62000
4000
ఇది ఇమేజ్ కాదు, నిజంగానే పుస్తక౦ అని నిరూపించడానికి.
01:31
we can do something like so, to really show
21
66000
2000
మీకు నమ్మక౦ కలగడ౦ లేదు కదూ
01:33
that this is a real representation of the text; it's not a picture.
22
68000
3000
ఇది నిజంగానే పుస్తకంలోని టెక్స్ట్; ఇది పిక్చర్ మాత్రం కాదు.
01:37
Maybe this is a kind of an artificial way to read an e-book.
23
72000
2000
ఇది ఒక ఇ-పుస్తకాన్ని చదివేందుకు అనువైన కృత్రిమ మార్గం కావచ్చు.
01:39
I wouldn't recommend it.
24
74000
1000
నేనేమీ దీనిని సిఫారసు చేయను.
01:40
This is a more realistic case. This is an issue of The Guardian.
25
75000
3000
ఇది మరింత వాస్తవమైన రూపం. ఇది గార్డియన్ దిన పత్రిక సమస్య.
01:43
Every large image is the beginning of a section.
26
78000
2000
ఇ౦దులో ప్రతి పెద్ద చిత్ర౦ ఒక కొత్త విభాగానికి సూచిక.
01:45
And this really gives you the joy and the good experience
27
80000
3000
ఇలా పత్రికను చదవడ౦ మీకు కొత్త ఉత్సాహాన్ని మంచి అనుభూతిని కలిగిస్తుంది
01:48
of reading the real paper version of a magazine or a newspaper,
28
83000
5000
డిజిటల్ స్క్రీన్ మీద ఒక మ్యాగజైన్ లేదా న్యూస్ పేపర్ రియల్ వెర్షన్ ను చదవట౦ ఆశ్చర్య౦గా ఉ౦ది.
01:54
which is an inherently multi-scale kind of medium.
29
89000
1000
ఇది మల్టి స్కేల్ వంటి మాధ్యమానికి సంబంధించిన ఒక రూపం.
01:56
We've also done a little something
30
91000
1000
మేము మరికొన్ని మెరుగులు దిద్దాము.
01:57
with the corner of this particular issue of The Guardian.
31
92000
3000
ఈ గార్డియన్ పత్రిక సమస్యలోని ఒక మూలను తీసుకొని
02:00
We've made up a fake ad that's very high resolution --
32
95000
3000
మేము హై రెజల్యూషన్ తో --ఒక నకిలీ యాడ్ ను రూపొందించాం --
02:03
much higher than you'd be able to get in an ordinary ad --
33
98000
2000
ఈ యాడ్ మీరు మామూలుగా చూసే యాడ్ కంటే చాలా పెద్దది.
02:05
and we've embedded extra content.
34
100000
2000
ఇ౦దులో మేము మరింత ఎక్కువ సమాచారాన్ని పొందుపర్చాము.
02:07
If you want to see the features of this car, you can see it here.
35
102000
2000
మీరు గనుక ఈ కారు యొక్క ఫీచర్స్ చూడాలనుకుంటే, దానిని ఇక్కడ మీరు చూడొచ్చు.
02:10
Or other models, or even technical specifications.
36
105000
4000
లేదా ఇతర మోడల్స్, లేదా ఇంకా సాంకేతికాంశాలు.
02:15
And this really gets at some of these ideas
37
110000
2000
మరియు ఇది వాస్తవంగా మరికొన్ని ఐడియాలు పొందవచ్చు
02:18
about really doing away with those limits on screen real estate.
38
113000
4000
ఇక్కడ చూడ౦డి మేము వెబ్ పేజీలో కనిపి౦చే హద్దుల్ని ఎలా చెరిపేశామో.
02:22
We hope that this means no more pop-ups
39
117000
2000
ఇక పాప్-అప్ లకు మన౦ ఫుల్ స్టాప్ పెట్టొచ్చని ఆశిద్దాం.
02:24
and other kind of rubbish like that -- shouldn't be necessary.
40
119000
2000
ఇలా౦టి ఇతర చెత్తను కూడా నివారి౦చవచ్చు.
02:27
Of course, mapping is one of those really obvious applications
41
122000
2000
అఫ్ కోర్స్, మ్యాపి౦గ్ అప్లికేషన్
02:29
for a technology like this.
42
124000
2000
ఇలాంటి టెక్నాలజీలో ఒక భాగ౦గా ఉ౦డవచ్చు.
02:31
And this one I really won't spend any time on,
43
126000
2000
దీనికోసం నేను అంత సమయం కేటాయించదల్చుకోలేదు,
02:33
except to say that we have things to contribute to this field as well.
44
128000
2000
మ్యాపి౦గ్ రంగానికి కూడా సహాయపడేందుకు మా దగ్గర సదుపాయాలున్నాయని చెప్పడం తప్ప.
02:37
But those are all the roads in the U.S.
45
132000
2000
కానీ అవన్నీ అమెరికాలోని రోడ్లు
02:39
superimposed on top of a NASA geospatial image.
46
134000
4000
వీటిని నాసా జియో స్పేషియల్ ఇమేజ్ మీద సూపర్ ఇంపోజ్ చేసా౦.
02:44
So let's pull up, now, something else.
47
139000
2000
ఈ అ౦శాన్ని ఇక్కడ వదిలేసి మన౦ మరో అంశ౦ గురి౦చి చర్చిద్దా౦.
02:46
This is actually live on the Web now; you can go check it out.
48
141000
3000
ఇప్పుడు మీరు చూస్తున్నది ఒక లైవ్వెబ్ , కావాల౦టే చెక్ చేసుకో౦డి.
02:49
This is a project called Photosynth,
49
144000
1000
ఈ ప్రాజెక్టు పేరు ఫోటోసింథ్ అంటారు,
02:51
which really marries two different technologies.
50
146000
1000
ఇది రెండు టెక్నాలజీలను మమేకం చేస్తుంది.
02:52
One of them is Seadragon
51
147000
1000
సీడ్రాగన్ అందులో ఒకటి
02:54
and the other is some very beautiful computer vision research
52
149000
2000
అందమైన కంప్యూటర్ విజన్ రీసెర్చి ఇంకొకటి.
02:57
done by Noah Snavely, a graduate student at the University of Washington,
53
152000
2000
వాషింగ్టన్ యూనివర్సిటీలో గ్రాడ్యుయేట్ స్టూడెంట్ నోవా స్నావ్ లీ విజన్ రీసెర్చి పై పని చేస్తున్నారు.
03:00
co-advised by Steve Seitz at U.W.
54
155000
2000
ఇతనికి ఇదే యూనివర్సిటీ కి చె౦దిన స్టీవ్ సీట్జ్ సహ సలహాదారుగా ఉన్నారు.
03:02
and Rick Szeliski at Microsoft Research. A very nice collaboration.
55
157000
4000
మైక్రోసాఫ్ట్ రీసెర్చ్ కు చెందిన రిక్ జెలిస్కి.కూడా ఇ౦దులో భాగస్వామి.
03:07
And so this is live on the Web. It's powered by Seadragon.
56
162000
2000
మీరు చూస్తున్నది లైవ్ వెబ్. సీడ్రాగన్ దీనిని సుసాధ్య౦ చేసి౦ది.
03:09
You can see that when we kind of do these sorts of views,
57
164000
2000
ఇలా౦టి అద్భుతమైన దృశ్యాలు చూసినప్పుడు
03:12
where we can dive through images
58
167000
1000
వాటిలో లీనమైపోతా౦.
03:14
and have this kind of multi-resolution experience.
59
169000
1000
ఇలాంటి మల్టి రిజల్యూషన్ అనుభవం సీ డ్రాగన్ కలిగిస్తున్నది.
03:16
But the spatial arrangement of the images here is actually meaningful.
60
171000
4000
వివిధ చిత్రాల స్పేషియల్ అరేంజిమెంట్స్ అర్ధవంత౦గా ఉ౦డటమే దీనికి కారణ౦.
03:20
The computer vision algorithms have registered these images together
61
175000
3000
కంప్యూటర్ విజన్ ఆల్గారిథమ్స్ ఈ ఇమేజీలను ఒక దగ్గర రిజిస్టర్ చేశాయి,
03:23
so that they correspond to the real space in which these shots --
62
178000
4000
అందువల్ల అవి వాటియొక్క నిజమైన పరిస్థితులను ప్రతిబింబిస్తాయి.
03:27
all taken near Grassi Lakes in the Canadian Rockies --
63
182000
2000
ఇవన్నీ కెనడియన్ రాకీస్ దగ్గరున్న గ్రాసీ లేక్స్ దగ్గర తీసిన దృశ్యాలు.
03:31
all these shots were taken. So you see elements here
64
186000
2000
ఇ౦దులో మీరు చాలా సూక్ష్మ విషయాలు గమనించవచ్చు
03:33
of stabilized slide-show or panoramic imaging,
65
188000
4000
స్లయిడ్ షో లను స్టెబిలైజ్ చేయడం లేదా పనోరమిక్ ఇమేజింగ్ ద్వారా ఇది సాద్యమై౦ది.
03:40
and these things have all been related spatially.
66
195000
2000
ఈ అంశాలన్నీ స్పేషియల్లీ రిలేటెడ్.
03:42
I'm not sure if I have time to show you any other environments.
67
197000
3000
మరికొన్ని ఎన్విరాన్ మెంట్లను చూపించడానికి నాదగ్గర సమయం లేదనుకుంటా.
03:45
There are some that are much more spatial.
68
200000
1000
ఇంకా స్పేషియల్ గా ఉన్నవి చాలా చాలా ఉన్నాయి.
03:47
I would like to jump straight to one of Noah's original data-sets --
69
202000
3000
నేను నోవ్ ఒరిజినల్ డాటా సెట్లలో ఒకదానికి వెళ్తున్నాను --
03:50
and this is from an early prototype of Photosynth
70
205000
2000
ఇది ఫోటో సింథ్ యొక్క మొదటితరం ప్రోటోటైప్.
03:52
that we first got working in the summer --
71
207000
2000
సమ్మర్ లో పనిచేసేటపుడు మొట్టమొదట తయారై౦ది.
03:54
to show you what I think
72
209000
1000
నేను మీకు చూపించాలనుకునేదేమంటే
03:55
is really the punch line behind this technology,
73
210000
3000
ఈ టెక్నాలజీ వెనుకనున్న పంచ్ లైన్,
03:59
the Photosynth technology. And it's not necessarily so apparent
74
214000
2000
ఫోటోసింథ్ టెక్నాలజీ అ౦త సులభ౦గా అ౦దరికి అ౦తు చిక్కదు.
04:01
from looking at the environments that we've put up on the website.
75
216000
3000
మన౦ ఇప్పటి వరకు చూసిన వివిధ ఎన్విరాన్‌మెంట్లు కూడా ఏవో కొత్త స౦దేహాలను లేవనెత్తుతూనే ఉ౦టాయి.
04:04
We had to worry about the lawyers and so on.
76
219000
2000
కాకపోతే మనం లాయర్ల గురించి ఇంకా ఇతరత్ర మాత్రం వర్రీ అవ్వాలి.
04:07
This is a reconstruction of Notre Dame Cathedral
77
222000
1000
ఇది నోట్రె డేమ్ కెథెడ్రల్ యొక్క పునర్నిర్మాణం
04:09
that was done entirely computationally
78
224000
2000
అది పూర్తిగా కంప్యుటేషనల్ గా చేయబడింది
04:11
from images scraped from Flickr. You just type Notre Dame into Flickr,
79
226000
3000
ఫ్లికర్ ఇమేజీలను స్క్రాప్ చేసి. మీరు కేవలం ఫ్లికర్ లోకి వెళ్ళి నోట్రె డేమ్ అని టైప్ చేయండి,
04:14
and you get some pictures of guys in t-shirts, and of the campus
80
229000
3000
అందులో మీరు టీ-షర్టులు వేసుకున్న కుర్రాళ్ళ పిక్చర్స్ మరియు క్యాంపస్ దృశ్యాలను చూస్తారు.
04:17
and so on. And each of these orange cones represents an image
81
232000
4000
ఇందులోని ఆరెంజి కలర్ కోన్లు అన్నీ ఇమేజీని సూచిస్తాయి
04:22
that was discovered to belong to this model.
82
237000
2000
అది ఈ మోడల్ కు సంబంధించిన ఆవిష్కారం.
04:26
And so these are all Flickr images,
83
241000
2000
అలాగే ఇవన్నీ ఫ్లికర్ ఇమేజీలు,
04:28
and they've all been related spatially in this way.
84
243000
3000
వీటన్నిటినీ స్పేషియల్ గా ఈ విధంగా చేశాము.
04:31
And we can just navigate in this very simple way.
85
246000
2000
వీటిని ఇలా సులభంగా నావిగేట్ చేయవచ్చు.
04:35
(Applause)
86
250000
9000
(చప్పట్లు)
04:44
You know, I never thought that I'd end up working at Microsoft.
87
259000
2000
మీకు తెలుసా, నేను మైక్రోసాఫ్ట్ లో పనిచేయగలుగుతానని ఎప్పుడూ అనుకోలేదు.
04:46
It's very gratifying to have this kind of reception here.
88
261000
4000
ఇలాంటి స్వాగతం లభించినందుకు మీకు నేను చాలా రుణపడి ఉంటాను.
04:50
(Laughter)
89
265000
3000
(నవ్వులు)
04:53
I guess you can see
90
268000
3000
మీకు కనిపిస్తున్నాయనుకుంటున్నా
04:56
this is lots of different types of cameras:
91
271000
2000
ఇవి వివిధ రకాలైన ఎన్నో కెమెరాలు:
04:58
it's everything from cell phone cameras to professional SLRs,
92
273000
3000
అన్ని రకాలైన సెల్ ఫోన్ కెమెరాల నుంచి ప్రొఫెషనల్ SLR లు ఇక్కడ ఉన్నాయి.
05:02
quite a large number of them, stitched
93
277000
1000
భారీ స౦ఖ్యలో కెమెరాలను, SLR లను అనుస౦ధాన౦ చేశా౦.
05:03
together in this environment.
94
278000
1000
కెమెరాలన్ని కలసి ఇలా తయారయ్యాయి.
05:04
And if I can, I'll find some of the sort of weird ones.
95
279000
2000
ఒకవేళ కావాలంటే వీటి ద్వారా అసహజమైన వాటిని చూపించగలను.
05:08
So many of them are occluded by faces, and so on.
96
283000
3000
అందులో చాలా కెమెరాలు క్లోజప్ లో అమర్చబడి ఉన్నయి.
05:13
Somewhere in here there are actually
97
288000
1000
అక్కడక్కడ కొన్ని చోట్ల
05:15
a series of photographs -- here we go.
98
290000
1000
వరుసలో అమర్చిన ఫోటోలు ఉన్నాయి చూడండి.
05:17
This is actually a poster of Notre Dame that registered correctly.
99
292000
3000
ఇది నిజానికి కరెక్ట్ గా రిజిస్టర్ చేసిన నోట్రె డేమ్ పోస్టర్ మాత్రమే.
05:21
We can dive in from the poster
100
296000
2000
మనం ఈ పోస్టర్ లోంచి డైవ్ చేయవచ్చు
05:24
to a physical view of this environment.
101
299000
3000
ఎన్విరాన్‌మెంట్ యొక్క భౌతికంగా చూసేందుకు.
05:31
What the point here really is is that we can do things
102
306000
3000
ఇలాంటి విషయాలు రూపొందించడం ద్వారా మన ఉద్దేశం ఏమిట౦టే
05:34
with the social environment. This is now taking data from everybody --
103
309000
5000
ఈ సోషల్ ఎన్విరాన్‌మెంట్తో అందరి దగ్గర నుంచి డాటా తీసుకొని
05:39
from the entire collective memory
104
314000
1000
అందరి సమష్టి మెమరీని ఒక చోట చేరిస్తే
05:40
of, visually, of what the Earth looks like --
105
315000
2000
దృశ్యపరంగా, భూమి ఇలా కనిపిస్తుంది.
05:43
and link all of that together.
106
318000
1000
వాటన్నింటినీ కలిపి లింక్ చేయండి.
05:44
All of those photos become linked together,
107
319000
2000
ఆ ఫోటోలన్నిటిని లి౦క్ చేసినట్లయితే
05:46
and they make something emergent
108
321000
1000
అవన్ని ఒక నూతన రూపాన్ని స౦తరి౦చుకు౦టాయి
05:47
that's greater than the sum of the parts.
109
322000
2000
అది వాటన్నింటి యొక్క విడి భాగాలకంటే గొప్పది.
05:49
You have a model that emerges of the entire Earth.
110
324000
2000
ఇప్పుడు మీకు ప్రపంచం యొక్క మొత్తం ఆవిర్భావ మోడల్ తయారైంది.
05:51
Think of this as the long tail to Stephen Lawler's Virtual Earth work.
111
326000
5000
దీన్ని స్టీఫెన్ లాలర్ యొక్క వర్చువల్ ఎర్త్ వర్క్ యొక్క పెద్ద తోక లాగా భావించుకోండి.
05:56
And this is something that grows in complexity
112
331000
2000
ఇది ఒక సంక్లిష్టమౌతున్న అంశం.
05:58
as people use it, and whose benefits become greater
113
333000
3000
దీనిని ప్రజలు వాడుతున్న కొద్దీ,
06:01
to the users as they use it.
114
336000
2000
దాని ప్రయోజనాలు పెరుగుతాయి.
06:03
Their own photos are getting tagged with meta-data
115
338000
2000
వారియొక్క స్వంత ఫోటోలు మెటా-డాటాతో టాగ్ చేయబడతాయి
06:05
that somebody else entered.
116
340000
1000
అలా అందులోకి ఇతరులు వస్తారు.
06:07
If somebody bothered to tag all of these saints
117
342000
3000
ఒకవేళ కొంతమంది కష్టపడి ఆ సేవా మూర్తులందరినీ టాగ్ చేస్తే
06:10
and say who they all are, then my photo of Notre Dame Cathedral
118
345000
3000
మరియు వారెవరో చెప్తే, నాయొక్క నోట్రె డేమ్ కథెడ్రల్ ఫోటో
06:13
suddenly gets enriched with all of that data,
119
348000
2000
అకస్మాత్తుగా ఈ డాటాతో పరిపుష్టం అవుతుంది,
06:15
and I can use it as an entry point to dive into that space,
120
350000
3000
మరియు దాన్ని నేను స్పేస్ లోకి డైవ్ చేసేందుకు ప్రవేశద్వారంగా మార్చుకుంటాను,
06:18
into that meta-verse, using everybody else's photos,
121
353000
2000
అలా మెటా-వర్స్ లోకి, ప్రతి ఒక్కరి ఫోటోలను వినియోగించి,
06:21
and do a kind of a cross-modal
122
356000
2000
ఒక రకమైన క్రాస్ మోడల్ తయారుచేస్తే
06:25
and cross-user social experience that way.
123
360000
3000
ఒక క్రాస్ యూజర్ అలాంటి సాంఘిక అనుభవాన్ని పొందుతాడు.
06:28
And of course, a by-product of all of that
124
363000
1000
అఫ్ కోర్స్, అలాంటి వాటి యొక్క ఉప ఉత్పత్తి
06:30
is immensely rich virtual models
125
365000
2000
అనేది ఎన్నో సంపన్నమైన వర్చువల్ మోడల్స్ ను౦చి
06:32
of every interesting part of the Earth, collected
126
367000
2000
భూమిపైనున్న ఆసక్తికరమైన ప్రాంతాలన్నింటినుంచీ, కలెక్ట్ చేసిన
06:35
not just from overhead flights and from satellite images
127
370000
3000
ఓవర్ హెడ్ ఫ్లయిట్స్ మాత్రమేకాదు, మరియు శాటిలైట్ ఇమేజీలనుంచి
06:38
and so on, but from the collective memory.
128
373000
2000
అలా అందరి సమష్టి మెమెరీ ను౦చి ఫోటోలను సేకరి౦చి మిళిత౦ చేస్తే తయారయ్యేదే ఫోటో సి౦థ్.
06:40
Thank you so much.
129
375000
2000
థ్యాంక్యూ సో మచ్.
06:42
(Applause)
130
377000
11000
(చప్పట్లు).
06:53
Chris Anderson: Do I understand this right? That what your software is going to allow,
131
388000
4000
క్రిస్ అండర్ సన్: నేను సరిగానే అర్ధం చేసుకున్నానా? మీ సాఫ్ట్ వేర్ ద్వారా
06:58
is that at some point, really within the next few years,
132
393000
2000
రానున్న కొద్ది సంవత్సరాలలో ఏదో ఒక సమయంలో
07:01
all the pictures that are shared by anyone across the world
133
396000
4000
ప్రపంచవ్యాప్తంగా షేర్ చేసుకోవాలనుకుంటున్న పిక్చర్ లన్నీ
07:05
are going to basically link together?
134
400000
2000
లింక్ చేయాలనుకుంటున్నారా?
07:07
BAA: Yes. What this is really doing is discovering.
135
402000
2000
బా: అవును. మేం నిజంగా మీరు చెప్పి౦దే ఆవిష్కరించాలని చూస్తున్నాం.
07:09
It's creating hyperlinks, if you will, between images.
136
404000
3000
మీరు కావాలనుకుంటే, ఇమేజీల మధ్య హైపర్ లింక్స్ క్రియేట్ చేసుకోవచ్చు.
07:12
And it's doing that
137
407000
1000
అలా చేయడం వల్ల
07:13
based on the content inside the images.
138
408000
1000
ఇమేజి లోపల ఉన్న విషయాన్ననుసరించి.
07:14
And that gets really exciting when you think about the richness
139
409000
3000
ఈ అంశాలలో ఉన్న రిచ్ నెస్, ఇమేజీలలో దాగి ఉన్న సమాచారాన్ని గమనించినపుడు
07:17
of the semantic information that a lot of those images have.
140
412000
2000
మీకు ఎంతో ఎగ్జయిటింగ్ గా ఉంటుంది
07:19
Like when you do a web search for images,
141
414000
2000
మీరు ఇమేజెస్ కోసం వెబ్ సెర్చ్ చేసినపుడు
07:22
you type in phrases, and the text on the web page
142
417000
2000
పదాలను, అక్షరాలను వెబ్ పేజీలలో టైప్ చేస్తారు
07:24
is carrying a lot of information about what that picture is of.
143
419000
3000
దాంట్లో ఆ పిక్చర్లో ఉన్న సమాచారమంతా ఉంటుంది.
07:27
Now, what if that picture links to all of your pictures?
144
422000
2000
ఇప్పుడు, ఆ పిక్చర్ మీదగ్గరున్న పిక్చర్ తో లింక్ అయితే?
07:29
Then the amount of semantic interconnection
145
424000
2000
ఆ వచ్చే సెమాంటిక్ ఇంటర్ కనెక్షన్
07:31
and the amount of richness that comes out of that
146
426000
1000
అలా వచ్చే మొత్త రిచ్ నెస్
07:32
is really huge. It's a classic network effect.
147
427000
3000
నిజంగా చాలా ఎక్కువ. అది నెట్వర్క్ యొక్క ఒక క్లాసికల్ ఎఫెక్ట్.
07:35
CA: Blaise, that is truly incredible. Congratulations.
148
430000
2000
సీఏ: అది నిజంగా అద్భుతం. కంగ్రాచ్యులేషన్స్.
07:37
BAA: Thanks so much.
149
432000
1000
బా: థ్యాంక్యూ సో మచ్.
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