De Goto Labelen API verwerkt afbeeldingen van huizen en genereert het juiste label voor zowel binnen- als buitenafbeeldingen.
Proces
Ons geavanceerde model maakt van meet af aan duidelijk of een afbeelding een binnen- of buitenomgeving vertegenwoordigt. Indien het model dit niet onomstotelijk kan vaststellen, wordt de afbeelding ingedeeld in de categorie 'other'.
Na deze voorlopige vaststelling optimaliseert ons systeem de daaropvolgende analyse op basis van deze initiële classificatie. Als het beeld wordt aangeduid als 'indoor', komt onze vaardigheid in kamerherkenning in beeld, waarbij gebruik wordt gemaakt van een gespecialiseerd kamermodel. Als het beeld daarentegen als 'outdoor' wordt bepaald, wordt het geavanceerde scènemodel geïmplementeerd.
Onze aanpak zorgt voor nauwkeurige categorisatie en verfijnde analyses, waardoor een geoptimaliseerde gebruikerservaring wordt geboden en de diepgang en precisie van ons werk wordt bevorderd.
Scèneclassificatie
Wanneer een invoerbeeld in eerste instantie wordt geclassificeerd als 'outdoor', is de daaropvolgende taak van ons systeem het lokaliseren van de specifieke buitenscène die in de afbeelding wordt weergegeven. Om dit te bereiken wordt ons speciale scènemodel gebruikt, dat een scèneklasse en een bijbehorend betrouwbaarheidspercentage levert.
Om een uitgebreid inzicht te geven, hebben we hieronder mogelijke scèneklassen naast de bijbehorende voorbeeldafbeeldingen vermeld. Dit benadrukt het geavanceerde vermogen van ons systeem om verschillende buitenscènes met opmerkelijke precisie te onderscheiden en te categoriseren.
Voorbeeld van scèneclassificatie met voorspelling
De voorspelde beeldklasse is 'outdoor' met een betrouwbaarheid van 100%, de eerste scèneklasse is 'balcony-garden' met een betrouwbaarheid van 36,92% en de tweede scèneklasse is 'facade' met een betrouwbaarheid van 59,15%.
Kamers Classificatie
Zodra de invoerafbeelding is gecategoriseerd als 'indoor', gaat ons geavanceerde systeem verder met het identificeren van het specifieke type kamer dat in de afbeelding wordt weergegeven. Dit wordt bereikt door ons geavanceerde kamerclassificatiesysteem. Het resultaat is niet alleen de geïdentificeerde kamerklasse, maar ook een percentage dat het betrouwbaarheidsniveau van deze voorspelling aangeeft.
Er is echter een intrigerende wending! Als de voorspelde kamerklasse 'other room' is, gaat ons systeem dieper in met een extra classificatielaag. De uitkomst van deze secundaire analyse is de identificatie van een subklasse, vergezeld van een betrouwbaarheidspercentage.
Om een duidelijker inzicht te geven, hebben we hieronder potentiële kamerklassen of subklassen met bijbehorende voorbeeldafbeeldingen opgenomen. Dit toont het ingewikkelde vermogen van ons systeem aan om verschillende kamertypes met opmerkelijke precisie te herkennen en te classificeren.
Let op: de kamersubklasse wordt uitsluitend onthuld als de geïdentificeerde kamerklasse 'other_room' is. Deze specificiteit is een integraal onderdeel van het geavanceerde classificatieproces van ons systeem.
living_room
kitchen
bathroom
bedroom
other_room
hall_corridor
other_room
room (empty room)
other_room
scullery
Voorbeeld van voorspellingsruimteclassificatie
De voorspelde beeldklasse is 'indoor' met een betrouwbaarheid van 99,9%, de kamerklasse is 'other_room' met een betrouwbaarheid van 96,18% en de subklasse van de kamer is 'hall_corridor' met een betrouwbaarheid van 87,85%.
