Google Cloud Vision API。 Computer Vision as a Serviceの将来はありますか？

1年前、GoogleはCloud Vision APIプラットフォームを積み上げました。 プラットフォームのアイデアは、Googleがサービスとして明白なリーダーであるコンピュータービジョンテクノロジーを提供することです。 数年前、各テクノロジーには独自のテクノロジーがありました。 共通点を見つけて、すべてを解決するアルゴリズムを取得することは不可能でした。 しかし、Googleは揺れ動きました。 今、一年が経ちました。 そして、この技術はまだ審理されていません。 habrの1つの記事 。 はい、それはまだCloud Vision APIについてではなく、前身であるFace APIについてです。 英語のインターネットにも記事はありません。 Google自体からの場合を除きます。 これは失敗ですか？



私はそれが春に戻ったものを見ることに興味がありました。 しかし、完全に座るには十分な力がありませんでした。 時々私は別のものをテストしました。 定期的に顧客が来て、なぜCloud Apiを適用できないのかと尋ねました。 私は答えなければなりませんでした。 またはその逆に、しきい値からこの方向に送信します。 そして突然、記事の資料がすでに十分であることに気付きました。 行こう

Cloud Vision APIの内容

グーグルは多くの異なる美しい言葉を言っています。 しかし、それは面白くありません。 価格表に従ってできること：

• ラベル検出-画像が属するクラスを検出し、画像に表示されているものを検出します：猫、犬、象、静けさなど
• OCR-テキスト認識
• 明示的なコンテンツ検出-すべての不良コンテンツの検出：黒人やその他の人生の恐怖を拭き取ります。
• 顔検出-顔、顔の特徴、顔の特別なポイントの検出
• ランドマークの検出-写真の位置情報の検出
• ロゴ検出-文字とアイコンの検出
• 画像のプロパティ-これが何を意味するのか理解できませんでした

記事では、ラベル検出、ORC、顔検出について、類似性/オプションを知っている最も論理的なComputerVisionタスクとして説明します。 ちょっとしたタッチのランドマーク検出。

ラベル検出

とにかく、誰もがGoogleのこの機能を使用しています。 google.comで画像を検索すると、それが使用されます。 基本的に、ラベル検出は画像に特徴を与えます。 特性は、写真に示されているオブジェクトである可能性があります。 たとえば、「マクロ」、「ポートレート」、「白黒」などの写真スタイルです。 または、「植物」、「大気現象」という非常に一般的なものかもしれません。
検索に加えて、この関数は問題を解決できます。

• 画像データベースの並べ替え
• フォトバンクへの署名タグ
• 写真関心分析
• I.t.d.

アナログ しかし、奇妙なことに、この方向にはグーグルには多くの競合他社があります。
マイクロソフト コンポーネントだけでなく、画像上で何が起こっているかを非常によく説明できます。 比較するオンラインデモはありません。

• IBMは 、認識がはるかに貧弱です。
• Cloud Sight-泥だらけのrazvodilovo。 彼らは、100％正しく正しく認識される自動システムを持っているふりをしています。 実際には、インド人が座っています。 800枚の画像に対して50ドルが必要です。 それは私を非常にひどく認識した。 しかし、たぶん誰もがタバコを吸うために出かけただけかもしれません。
• クラリファイ 。 それは素晴らしい作品です。 信じさえしませんでした ただし、2〜3秒以内に認識して署名します。 ただし、Googleが勝った場合もあります
• 認識パフォーマンスが低下している小さなプレーヤーがいくつかあります。
• ImageNetでトレーニングされたオープングリッドは、自分で設定できます。 安くて陽気な。 しかし、それはあまりうまくいきません。

ここに、すばらしい完全な比較があります。 ほんのいくつかの例を挙げます。

• Googleによると。
• IBMによると。
• CloudSightによると。
• クラリフィによると。
• ImageNetでトレーニングを受けたCaffeの意見では、パブリックドメインで公開されているGoogleNetはシベリアンハスキーです。

Googleが対処できなかった場合の例： 1 。 私の意見では、彼が不正確な説明をした例： 1 。 「リンゴ」という言葉はありません。 しかし、cloudsightのみが管理しました。 「男」という言葉はありません-2 。 「カラス」という言葉はありません-3 。

そして、私が試したもののこの写真でのみ、グーグルはみんなをあちこち回って猫を見つけました



残りは失敗しました-1、2、3。

結論：うまくいきます。 追いつくのに十分な競合他社があります。 自宅では、繰り返すことはほとんど不可能です。

顔検出

顔認識。 Googleでできること：

• 顔を見つける
• 特徴点を見つける
• 表情を識別する

彼は知らないが、競合他社は何をするか：

• 性別を決定する
• 年齢を決める
• 2つの顔を比較して、それらが同じかどうかを判断します。

たとえば、ここでの競合他社： 1、2、3 。 一般的に、それらの数十。

Googleを比較する意味は何ですか？ たとえば、OpenCVのようにHaarカスケードフェイスを使用する場合、またはdLibのようにHOGを使用します。 彼らはグーグルに勝つ。 そして、dlibよりも顔のポイントが優れていることがわかります。

Dlib：



もっと ますます 。

Google：



もっと ますます 。

しかし同時に、Googleは有料であり、Dlibは無料です。 設定するには、同じ行数が必要です。 同時に、疲れた場合は、dlibの代わりに最新のものを使用して、Googleほど悪くない精度を得ることができます。

一般的に、このGoogleのラウンドは明らかに漏れていました。

ランドマーク検出

しかし、このアイテムはHRCです。 Googleには同等のものはありません。 そして、類似物はありません。 この機能がどのように機能するかを理解したとき、「クレムリンはそれを認識している」と考えました。 しかし、そこにはありませんでした。 クレムリンに加えて、多かれ少なかれ重要な観光地をすべて正しく認識しています。 私を凍らせた2つの例：

ボロフスク：



よく彼と一緒に、彼は多かれ少なかれ観光客に人気があります。 写真がたくさんあります。 幸運にしましょう。

結論：


ボロビチ近郊のモスクワとサンクトペテルブルクの間で失われた荘園開拓者キャンプ。

彼がどうやってそれをするのか分かりません。 以下に例を示します：1、2、3、4、5、6、7。

彼は一度だけ偽造した。 しかし、壮大な方法で：

OCR-光カーテクター認識

そして最後に、最も興味深い部分に目を向けます。 このために私は掘った。 Googleがテキストをどの程度認識しているか。 このアプリケーションが最も産業的であり、多くのメーカーと消費者が既製のソリューションを持っていることに興味を持っているのはここです：

• 本を認識する
• 価格タグを認識する
• プレートを認識する
• ナンバープレート、列車番号、家番号などを認識してください...
• など、アプリケーションをカウントしません

Googleが達成したことを比較してみましょう。 既存のソリューションと比較してください。 そして、「共通の認識機能」としての唯一のライバルであるマイクロソフトと比較してください。

本、テキスト
テキストに関しては、GoogleはAbbyyとの強力な競争相手です 。 私がテストしたものによると、それらの文字認識のレベルはほぼ同じレベルにあるように思えます：






GoogleとAbbyyだけが本当に競争していることがわかります。 しかし、ページ上のテキストの大部分に達するとすぐに、アビーが勝ちます。彼はテキストの構造化、表、フッターなどの翻訳方法を知っています。 Googleはテキストの大部分を提供します。 さらに、Googleにはサポートする言語がほとんどありません。

Wang、近い将来、Google Apiを翻訳に使用するスタートアップが登場し、構造分析とテキストコレクションをすべて添付する予定です。 AbbyyはGoogleの10倍以上の翻訳を望んでいるので、これはかなりジューシーなスープです。

テキストセグメントには、自宅で起動できる単一の優れたソフトウェアがないことは明らかです。 次のOCRタスクに進みます。

価格タグ、その他のタブレット
重要なポイント-グーグルは、マイクロソフトとは異なり、他の言語をサポートしていません。 しかし、一般的に、両方ともテキストが良好で、ぼやけていない、傾いていない、うるさい、まぶしくないときに機能します。



マイクロソフト：

175766
AHAHAC B AHAHACE
tıııışııııııı175T

Google：

175 AHAHAC BAHAHACE 340167 000000 900708249

マイクロソフト：何も認識されていない

Google：

K）cpeacrao ainocya。 AOS Aqua Aqua ban.aasa an03 Depa Pocowe 100or-912 mov

マイクロソフト：ゼロ

Google：



一般に、ラベルの約60％がテキストです。 私の意見では、これは素晴らしい結果です。 このテキストを収集する方法と理由は明確ではありません。

さらに、よくショットされたタブレットでもよく読みます。 もちろん、すべてのテキストではありませんが、確かに大きいです：




それでも、異なる形式のテキストはあまり認識されていません。



技術情報
そしてここで、GoogleとMicrosoftはこれまでのところ特にがらくた。 数十のチェックされた車の数のうち、Microsoftは20パーセント、Googleは60パーセント、さらには地域のないものも認識しています。 この地域は理想的な状況でのみ認識され、汚れのない多数の場合。 すぐに汚れ-別の部分がすべてを認識します。



さらに、1-2文字の通常のエラー：



番号認識システムはアプリオリ情報に依存しています もちろん、アプリケーションによっては、Googleで十分な場合もあります。 完璧なショットを認識します。

先験的な情報がなければ、悪いことです。 テクニカルビジョンの別のオプションは、列車番号です。 マイクロソフトはまったく失敗しました。 Googleは50％しか正解しませんでした。 残りの部分では、彼は常に刈り取った。



したがって、品質管理、安定したテキスト認識のタスクでは、GoogleとMicrosoftは最も単純なタスクにのみ適しています。

もちろん、そのような問題のトピックに関するオープンソースのソリューションはありませんが、多くの場合、それらは独力で解決できます。 単純な仮説の列挙、輪郭の検索など。 ナンバープレートの同じ割り当ては、たとえばOpenCVで非常に安定して機能します。 Haarカスケードと輪郭の選択があります。 さらに、LBP | HOGを教えることができます。

合計

• ラベルの検出-Googleは先を行っていますが、緊密かつ緊密な戦いを続けています。
• 顔検出-Googleが遅れています。 彼の決定が何であるかは明らかではありません。
• ランドマーク検出-礼拝！ これはどこにもありません！
• OCR-ここで本当の戦いが展開されます。 グーグルは真剣な決断のすぐ後に踏み出しましたが、これまでのところ回避することはできません。 さらに、問題の明確な陳述が存在しない分野では、先に進んでいます。 マイクロソフトは遅れをとっていますが、追いついています。

これまでのところ、安定した履歴書の前に、すべてが巨人から遠いです。 しかし、彼らはゆっくりとスムーズに市場全体をキャプチャします。 はい、彼らのソリューションはインターネットへのアクセス条件でのみ機能します。 しかし、自分で解決策を切り開くよりも、インターネットを作る方が簡単な場合がよくあります。