• Slidy
  • Bits stories : Différence entre versions

    De Ustensile
    Aller à : navigation, rechercher
    (Références)
    Ligne 51 : Ligne 51 :
      
     
    [http://softwarestudies.com/cultural_analytics/2011.How_To_Compare_One_Million_Images.pdf How to compare one million images? Lev Manovich]
     
    [http://softwarestudies.com/cultural_analytics/2011.How_To_Compare_One_Million_Images.pdf How to compare one million images? Lev Manovich]
     +
     +
    [http://sicv.activearchives.org/c/ The Scandinavian Institute for Computational Vandalism]
     +
     +
    [http://guttormsgaard.activearchives.org/ Guttorm Guttormsgaard archive]
     +
     +
    Dispositifs expérimentaux (description et classification d'images)
     +
     +
    [http://authors.library.caltech.edu/11195/ Li Fei Fei, Que perçoit-on d'une scène en un coup d’œil?]
     +
     +
    [https://www.youtube.com/watch?v=viwpTTvSQKM Li Fei Fei, Computers that see]
     +
     +
    [http://psych.stanford.edu/~bt/space/papers/ScenslogPsy83.pdf Tversky & Hemenway, Catégories de scènes environnementales]
      
     
    [http://www.lemonde.fr/pixels/article/2015/07/09/on-a-teste-pour-vous-deep-dream-la-machine-a-reves-psychedeliques-de-google_4675562_4408996.html Deep Dream, la machine à rêves psychédéliques de Google] → [http://deepdreamgenerator.com/ Deepdream generator]
     
    [http://www.lemonde.fr/pixels/article/2015/07/09/on-a-teste-pour-vous-deep-dream-la-machine-a-reves-psychedeliques-de-google_4675562_4408996.html Deep Dream, la machine à rêves psychédéliques de Google] → [http://deepdreamgenerator.com/ Deepdream generator]
     +
     +
    [https://medium.com/the-physics-arxiv-blog/when-a-machine-learning-algorithm-studied-fine-art-paintings-it-saw-things-art-historians-had-never-b8e4e7bf7d3e#.qrcgr7ddt When A Machine Learning Algorithm Studied Fine Art Paintings, It Saw Things Art Historians Had Never Noticed]
      
     
    ==Outils==
     
    ==Outils==
      
     
    [https://imagga.com/ Imagga], [https://visualgenome.org/VGViz/explore Visual Genome], [http://lab.softwarestudies.com/p/imageplot.html ImagePlot], [http://www.opencv.org OpenCV]
     
    [https://imagga.com/ Imagga], [https://visualgenome.org/VGViz/explore Visual Genome], [http://lab.softwarestudies.com/p/imageplot.html ImagePlot], [http://www.opencv.org OpenCV]

    Version du 5 mars 2016 à 14:08

    Workshop avec Ludi Loiseau et Nicolas Malevé

    Pratique

    Plot

    Pour comparer et croiser visuellement les images suivant un ensemble de critères, nous utilisons ImagePlot(Manuel complet)

    Mode d'emploi maison :

    • Dézipper le paquet "imageplot-master" et lancez l'application depuis le dossier "ImageJ" : sous Windows avec le lanceur ImageJ.exe, sur mac avec "ImageJ64.app", pour Ubuntu via le terminal et la commande java -jar ij.jar
    • La barre d'outils d'ImageJ apparaît. Nous allons pouvoir lancer le plugin ImagePlot en ouvrant le fichier texte "ImagePlot.txt", donc via le menu "File" → "Open" → pointer le fichier "ImagePlot.txt" qui se trouve au premier niveau du dossier "imageplot-master".

    Imageplot01.png

    • Une fenêtre "ImagePlot.txt" s'ouvre, nous activons le plugin avec le menu "Macros" "Run macros".

    Imageplot02.png

    • La boîte de dialogue suivante nous propose de pointer le fichier de data (tableau texte croisant la liste des fichiers images avec une ensemble d’attributs) et le dossier des images à distribuer. En dessous dans la liste, décocher "Polar" mais cocher "Options".

    Imageplot03.png

    • Les prochaines étapes nous permettent de paramétrer le rendu du plot. La boîte "Data column mapping" est celle où vous définissez les axes (critères de votre tableau) correspondants aux axes x et y. La boîte "Options" vous permet de choisir ce que vous souhaiter visualiser sur la surface de rendu. Ici il est important de limiter la taille du canevas (boîte "Canvas") pour ne pas qu'elle s’étende sur une surface de 20 000 pixels et demande trop de ressources à votre machine.

    Imageplot04.png Imageplot05.pngImageplot06.pngImageplot07.png

    Sources imgages

    Galeries images de la NASA, ImageNet,

    Liens projets

    Cloud Face

    Land faces de Max

    cv dazzle Camouflage from face detection

    Zach Blas http://vimeo.com/57882032 http://www.zachblas.info/projects/facial-weaponization-suite/ http://www.zachblas.info/about/

    Constant V - la vitrine actuelle de Constant, à visiter rue du Fort, 5 - 1060 http://sicv.activearchives.org/vitrine

    Références

    How to compare one million images? Lev Manovich

    The Scandinavian Institute for Computational Vandalism

    Guttorm Guttormsgaard archive

    Dispositifs expérimentaux (description et classification d'images)

    Li Fei Fei, Que perçoit-on d'une scène en un coup d’œil?

    Li Fei Fei, Computers that see

    Tversky & Hemenway, Catégories de scènes environnementales

    Deep Dream, la machine à rêves psychédéliques de GoogleDeepdream generator

    When A Machine Learning Algorithm Studied Fine Art Paintings, It Saw Things Art Historians Had Never Noticed

    Outils

    Imagga, Visual Genome, ImagePlot, OpenCV