Картинка май: Красивые картинки про май (30 фото) • Прикольные картинки и позитив

Обои весенние, картинки март, заставки апрель, май, 1920×1080 фото природа весны

Широкоформатные обои красивые заставки картинки качественные фото Лучшие обои HD обои фэнтэзи на Wallpapers-image.ru прекрасное украшение для вашего рабочего стола картинки фоны заставки для рабочего стола все отличного качества.

Очень красивые и качественные обои 1920х1080 с девушками подойдут для любого монитора. Оригинальные расцветки и отличное качество помогут вам найти именно ваш стиль и наши обои еще долго буду радовать ваш глаз. Большие красивые обои с девочками

Скачайте на ваш рабочий стол обои прикольные высокого качества размеры 1280×1024 1366×768 1600×900 1680×1050 1440×900 1920х1080 2560×1440 2560×1600. Все картинки отбираются вручную и тщательно описываются они украсят ваш рабочий стол и поднимут вам настроение.

Фотографии котов картинки красивых кошечек фоны и обои пушистых кисок можно скачать на нашем сайте без регистрации. Есть все разрешения, на этой странице 1920×1080 пикселей. Обои экзотических котят украсят ваш рабочий стол планшет или смартфон.

Качайте без регистрации потрясающей красоты обои природы высокого качества. Это фотографии красивых пейзажей, лесных массивов, горных ландшафтов картинки всех времен года есть обои огромного размера вся красота природы в чудесных обоях на рабочий стол.

Лучшие обои. Яркие обои со всего мира: достопримечательности городов мосты небоскребы соборы замки красивые панорамы обои с разрешением 1920×1080 пикселей и ниже. Скачать широкоформатные обои качественные обои картинки красивые заставки фото обои высокого качества

😃 Мир Труд Май! Открытки и картинки на 1 мая

1 Мая Праздник весны и труда. Поздравьте своих друзей и близких красивыми картинками и открытками на 1 Мая. У нас можно скачать бесплатно.

Выберите поздравление с праздником Весны и Труда и поздравьте друзей, знакомых или родственников

Поздравьте с праздником Весны и Труда друзей, знакомых или родственников, заказав им приятный звонок на телефон:) А для того, чтобы пожелание позвонило на нужный номер телефона:

  1. Дождитесь загрузки поздравлений над этим текстом
  2. Послушайте аудио поздравления и пожелания
  3. Выберите то, которое понравилось больше всего
  4. Укажите на какой номер нужно позвонить и проиграть пожелание
  5. Получатель поздравления в восторге 🙂

Нажмите левой кнопкой мыши на картинку, чтобы увеличить ее и скачать в более высоком качестве.

С праздником весны и труда! Прикольная картинка

С Праздником весны и труда!

1 Мая Праздник весны и труда

Открытка С Праздником весны и труда!

Картинка С Праздником 1 Мая скачать бесплатно

С Праздником весны и труда!

1 Мая праздник весны и труда

С Праздником весны и труда! Стих

Прикольная картинка, с 1 мая

Стихотворение на 1 мая

Открытка С первым мая! Скачать бесплатно

Поздравляем с 1 мая!

С первым мая! Поздравление

Мир во всем мире

Мир, труд, май

Мир, труд, май

Анимация с праздником 1 Мая

Красивая картинка с праздником 1 Мая

Смотрите далее:

Самые интересные поздравления, открытки и картинки с праздником:

Выберите поздравление с праздником Весны и Труда и поздравьте друзей, знакомых или родственников

Поздравьте с праздником Весны и Труда друзей, знакомых или родственников, заказав им приятный звонок на телефон:) А для того, чтобы пожелание позвонило на нужный номер телефона:

  1. Дождитесь загрузки поздравлений над этим текстом
  2. Послушайте аудио поздравления и пожелания
  3. Выберите то, которое понравилось больше всего
  4. Укажите на какой номер нужно позвонить и проиграть пожелание
  5. Получатель поздравления в восторге 🙂

Воспитательная работа (Картинки)

Управление подписками/_layouts/images/ReportServer/Manage_Subscription. gif/prof/mlt/_layouts/ReportServer/ManageSubscriptions.aspx?list={ListId}&ID={ItemId}0x800x0FileTyperdl350
Управление источниками данных/prof/mlt/_layouts/ReportServer/DataSourceList.aspx?list={ListId}&ID={ItemId}0x00x20FileTyperdl351
Управление параметрами/prof/mlt/_layouts/ReportServer/ParameterList.aspx?list={ListId}&ID={ItemId}0x00x4FileTyperdl352
Управление параметрами обработки/prof/mlt/_layouts/ReportServer/ReportExecution.aspx?list={ListId}&ID={ItemId}0x00x4FileTyperdl353
Просмотр журнала отчета/prof/mlt/_layouts/ReportServer/ReportHistory.aspx?list={ListId}&ID={ItemId}0x00x40FileTyperdl354
Просмотр зависимых элементов/prof/mlt/_layouts/ReportServer/DependentItems.aspx?list={ListId}&ID={ItemId}0x00x4FileTypersds350
Изменить определение источника данных/prof/mlt/_layouts/ReportServer/SharedDataSource.aspx?list={ListId}&ID={ItemId}0x00x4FileTypersds351
Просмотр зависимых элементов/prof/mlt/_layouts/ReportServer/DependentItems.aspx?list={ListId}&ID={ItemId}0x00x4FileTypesmdl350
Управление отчетами с дополнительной информацией/prof/mlt/_layouts/ReportServer/ModelClickThrough.aspx?list={ListId}&ID={ItemId}0x00x4FileTypesmdl352
Управление безопасностью элементов модели/prof/mlt/_layouts/ReportServer/ModelItemSecurity.aspx?list={ListId}&ID={ItemId}0x00x2000000FileTypesmdl353
Повторно создать модель/prof/mlt/_layouts/ReportServer/GenerateModel. aspx?list={ListId}&ID={ItemId}0x00x4FileTypesmdl354
Управление источниками данных/prof/mlt/_layouts/ReportServer/DataSourceList.aspx?list={ListId}&ID={ItemId}0x00x20FileTypesmdl351
Загрузить в построителе отчетов/prof/mlt/_layouts/ReportServer/RSAction.aspx?RSAction=ReportBuilderModelContext&list={ListId}&ID={ItemId}0x00x2FileTypesmdl250
Изменить в построителе отчетов/_layouts/images/ReportServer/EditReport.gif/prof/mlt/_layouts/ReportServer/RSAction.aspx?RSAction=ReportBuilderReportContext&list={ListId}&ID={ItemId}0x00x4FileTyperdl250
Редактировать в веб-обозревателе/_layouts/images/icxddoc.gif/prof/mlt/_layouts/formserver.aspx?XsnLocation={ItemUrl}&OpenIn=Browser0x00x1FileTypexsn255
Редактировать в веб-обозревателе/_layouts/images/icxddoc.gif/prof/mlt/_layouts/formserver.aspx?XmlLocation={ItemUrl}&OpenIn=Browser0x00x1ProgIdInfoPath.Document255
Редактировать в веб-обозревателе/_layouts/images/icxddoc.gif/prof/mlt/_layouts/formserver.aspx?XmlLocation={ItemUrl}&OpenIn=Browser0x00x1ProgIdInfoPath.Document.2255
Редактировать в веб-обозревателе/_layouts/images/icxddoc.gif/prof/mlt/_layouts/formserver.aspx?XmlLocation={ItemUrl}&OpenIn=Browser0x00x1ProgIdInfoPath.Document.3255
Редактировать в веб-обозревателе/_layouts/images/icxddoc.gif/prof/mlt/_layouts/formserver.aspx?XmlLocation={ItemUrl}&OpenIn=Browser0x00x1ProgIdInfoPath. Document.4255
Просмотр в веб-обозревателе/_layouts/images/ichtmxls.gif/prof/mlt/_layouts/xlviewer.aspx?listguid={ListId}&itemid={ItemId}&DefaultItemOpen=10x00x1FileTypexlsx255
Просмотр в веб-обозревателе/_layouts/images/ichtmxls.gif/prof/mlt/_layouts/xlviewer.aspx?listguid={ListId}&itemid={ItemId}&DefaultItemOpen=10x00x1FileTypexlsb255
Снимок в Excel/_layouts/images/ewr134.gif/prof/mlt/_layouts/xlviewer.aspx?listguid={ListId}&itemid={ItemId}&Snapshot=10x00x1FileTypexlsx256
Снимок в Excel/_layouts/images/ewr134.gif/prof/mlt/_layouts/xlviewer.aspx?listguid={ListId}&itemid={ItemId}&Snapshot=10x00x1FileTypexlsb256

Фото Ягода ажина в Ольгинке

Питание в отеле

Бассейн

Автостоянка

Интернет Wi-Fi

Работает круглогодично

Баня, сауна

Территория, двор

Спутник/кабель ТВ

Собственный пляж

Детская площадка

Конференц-зал

Проживание с животными

Дети любого возраста

Круглосуточная регистрация

Терминал для оплаты картой

Фото растений, которые цветут в мае

Давно ли мы любовались первоцветами — а вот уже и лето на пороге. Развернулись листья, подросла трава, распустились цветы. Много цветов. Май — он такой, яркий, полный энергии, цветущий. Сегодня я хочу показать, что сейчас цветет в моем саду — поделиться с вами красотой и радостью. 


Май — это обязательно цветущая сирень и ее головокружительный аромат

Ну какой же май без сирени! Тяжелые кисти цветов и воздух, насыщенный незабываемым ароматом, — знак того, что весна вступила в пору зрелости и вот-вот передаст полномочия нашему робкому северному лету.

А еще время цветения сирени всегда возвращает меня в детство — с его верой в чудо и возможность исполнить заветные желания, отыскав волшебный «пятилепестик» и старательно сжевав его с мыслью о своей мечте… 


Белая сирень не только обильно цветет, но и буйно разрастается

Вокруг цветущих кустов кружат пчелы и шмели. Их порой не разглядишь в ветвях, и кажется, что сам воздух в саду деловито гудит и жужжит. Насекомые-труженики очень уважают пышные раннецветущие спиреи, которых у нас много растет по всей деревне (мой сад не стал исключением — мне спиреи тоже по душе). 


Белоснежные спиреи цветут, привлекая пчел и шмелей

И конечно, пчелиная братия не обходит стороной вишни, сливы, яблони — а нам того и надо: раз есть кому опылять цветы, значит, не только майской красотой полюбуемся, но и урожай летом снимем. Хотя на сливы в этом году особо рассчитывать не приходится — слабовато цвели. 


Сливы нынче цвели слабо, отцвели быстро

Зато молодые вишенки постарались. Теперь одна забота — как будущий урожай от дроздов уберечь: этих разбойников нынешней весной к нам прилетело просто невиданное количество. Чуют, видно, что будет чем поживиться. 


Вишни цветением порадовали

У смородины, например, уже сейчас ветки к земле клонятся — а ведь ягодки еще только-только завязываются…


Смородина отцвела — будущий урожай формируется

С яблонями сложнее. Минувшая зима мягкая была, и снегу вдоволь, но видно, прошлые суровые морозы до сих пор аукаются. Три яблоньки, что помоложе, нынче цветут обильно и выглядят здоровыми.


Молодые яблоньки полны сил и обильно цветут

Ту, что прошлой весной долго в себя прийти не могла, в этом году пришлось сильно обрезать — она все-таки пострадала всерьез. Но после операции «пациентка» чувствует себя сравнительно неплохо, цветет и листочки распускает. А вот одна из старых яблонь, что в прошлом году, казалось, легко пережила зиму, сейчас стоит наполовину засохшая…

Впрочем, не будем о грустном — мы же о цветении говорим, вот цветами и полюбуемся:


Сады цветут. Как бы ни складывалась жизнь, май — время цветения

А там уже и черноплодная рябина эстафету подхватила, и калина стоит вся в бутончиках — у нее в этом году дебют. 


Распускаются цветки у черноплодной рябины

И лимонник зацветает. Он в прошлом году сильно пострадал — сперва зима с сильными морозами, а потом весенняя гроза, обрушившая арку, по которой он взбирался. Но вот, пожалуйста, — пришел в себя, восстановил силы — и снова цветет!


Лимонник пришел в себя, восстановил силы

В цветниках тоже благодать — яркие краски и пышное изобилие. Скромность и сдержанность ранней весны уже в прошлом, хоть некоторые особо стойкие первоцветы до сих пор не сдаются. Вот эта примула, к примеру, не устает меня радовать: распускается одной из первых, цветет обильно и продолжительно, да потом еще в сентябре выходит «на бис»!


Примулы продолжают радовать яркими красками

Медуница, которой пару лет назад со мной поделилась соседка, тоже цветет до сих пор. 


Все еще цветет медуница

Мускари ‘Blue Spike’ — поздний, и этим он особенно хорош. 


Все мускари уже отцвели, а ‘Blue Spike’ в самом расцвете

В палисаднике, до которого у меня все руки не доходят, разросся и царствует барвинок. Его пестролистный собрат украшает сад своей листвой, но цвести не торопится. А у этого листочки в траве не видны — зато цветами радует.

 


Барвинок. Растет, цветет, на жизнь не жалуется

Веронику нитчатую многие ругают: уж очень эта травка, обманчиво нежная на вид, оказывается активной да напористой. Если условия ей понравились, разрастается она буйно. Но как же хороша в цвету!


Бело-голубой коврик цветущей вероники нитчатой

За эти вот цветочки я прощаю ей «вольнодумство» и самовольный захват территорий. Тем более, пока она у меня ничего «криминального» не совершила: расселяется под кустами, выдавливая оттуда сорняки — так ей за то отдельную благодарность выносить надо! Как и ее «сестрице» — веронике дубравной. 


Прячется под кустами ее сестрица — вероника дубравная

Ну, про мои нежные чувства к дикоросам уже многие знают. Поэтому не удивляйтесь, что с цветочков культурных мы плавно перешли на «сорняки». Не знаю, как у кого, а у меня рука не поднимается выгнать таких гостей из сада:


Фиалка-скромница

Поселившиеся в цветниках фиалки я холю и лелею.


И ее сестрица

Да и чем, спрашивается, они хуже сортовых «родственников»? Посмотрите, как похожи:


Сразу видно, что родственники!

Этот уголок фиалкам явно пришелся по вкусу, они здесь замечательно разрослись и цветут все лето. А мне нравится!


Фиалок много не бывает!

Дополняют майскую композицию многолетние флоксы — растопыренный…


Сине-голубую гамму поддерживает флокс растопыренный

… и шиловидный.


Дополняет картину миниатюрный флокс шиловидный

Мое участие в создании этой композиции свелось к минимуму. У меня вообще другие планы были. Но пришли фиалки… Я посмотрела — и решила, что такой вариант мне даже больше нравится. Вот и растут теперь. 


И у него это здорово получается

Ели глаз устал от пестрого разноцветья, можно заглянуть в тенистый уголок, где под яблоней в саду прячутся ландыши.


Ландыш прячется в траве под яблоней

Рядом вот-вот распустится аквилегия:


Аквилегии самосевом расселились у меня по всему саду

Под соседним деревом отцветают бруннеры:


Бруннеры так похожи на незабудки. ..

А вот и купена, увешанная гроздьями белых «колокольчиков». Вроде, невзрачные цветочки — но есть в них что-то по-своему притягательное. 


Колокольчики цветущей купены как будто вот-вот зазвенят на ветру

Солнечную, позитивную нотку добавляют саду ярко-желтые «ромашки» — дороникумы. 


Солнышко-дороникум — самая ранняя «ромашка»

Ну и одуванчики, конечно, — как же без них. Сколько бы мы с ними ни боролись, они все равно прорастают и расцветают, и в них снова деловито копошатся пчелы… Я однажды поняла, что мне нравятся одуванчики. Ну да, сорняки. Но красиво же! В общем, теперь я выдергиваю их только на грядках и в цветниках, если вдруг попадутся, а остальными любуюсь. Скашиваю, когда начинают отцветать, — чтобы не рассеивались. 
 

Сад наполнен деловитым жужжанием — пчелы за работой

А еще у меня зацвели первые петунии. 


Первые петунии начали цвести

Но это, пожалуй, будет отдельная история… Надо, я думаю, заканчивать нашу прогулку — рассказать обо всем, что сейчас цветет, все равно вряд ли сумею. Лучше попрошу вас дополнить мой рассказ своими фотографиями. Что в эту пору цветет у вас в саду?  

Изображение дня — CapeMay.com Изображение дня

Вернуться в прошлое
Вернуться в прошлое Выберите месяц апрель 2021 март 2021 февраль 2021 январь 2021 декабрь 2020 ноябрь 2020 октябрь 2020 сентябрь 2020 август 2020 июль 2020 июнь 2020 май 2020 апрель 2020 март 2020 февраль 2020 январь 2020 декабрь 2019 ноябрь 2019 октябрь 2019 сентябрь 2019 август 2019 июль 2019 июнь 2019 май 2019 Апрель 2019 март 2019 февраль 2019 январь 2019 декабрь 2018 ноябрь 2018 октябрь 2018 сентябрь 2018 август 2018 июль 2018 июнь 2018 май 2018 апрель 2018 март 2018 февраль 2018 январь 2018 декабрь 2017 ноябрь 2017 октябрь 2017 сентябрь 2017 август 2017 июль 2017 июнь 2017 май 2017 апрель 2017 Март 2017 февраль 2017 январь 2017 декабрь 2016 ноябрь 2016 октябрь 2016 сентябрь 2016 август 2016 июль 2016 июнь 2016 май 2016 апрель 2016 март 2016 февраль 2016 январь 2016 декабрь 2015 ноябрь 2015 октябрь 2015 сентябрь 2015 август 2015 июль 2015 июнь 2015 май 2015 апрель 2015 март 2015 Февраль 2015 г. Январь 2015 Декабрь 2014 Ноябрь 2014 Октябрь 2014 Сентябрь 2014 Август 2014 Июль 2014 Июнь 2014 Май 2014 Апрель 2014 Март 2014 Февраль 2014 Январь 2014 Декабрь 2013 Ноябрь 2013 Октябрь 2013 Сентябрь 2013 Август 2013 Июль 2013 Июнь 2013 Май 2013 Апрель 2013 Март 2013 Февраль 2013 Январь 2013 Декабрь 2012 Ноябрь 2012 Октябрь 2012 Сентябрь 2012 Август 2012 Июль 2012 Июнь 2012 Май 2012 Апрель 2012 Март 2012 Февраль 2012 Январь 2012 Декабрь 2011 Ноябрь 2011 Октябрь 2011 Сентябрь 2011 Август 2011 Июль 2011 Июнь 2011 Май 2011 Апрель 2011 Март 2011 Февраль 2011 Январь 2011 Декабрь 2010 Ноябрь 2010 Октябрь 2010 Сентябрь 2010 Август 2010 Июль 2010 Июнь 2010 Май 2010 Апрель 2010 Март 2010 Февраль 2010 Январь 2010 Декабрь 2009 Август 2009 Июль 2009 Июнь 2009 Май 2009 Апрель 2009 Март 2009 Февраль 2009 Январь 2009 Декабрь 2008 Ноябрь 2008 Октябрь 2008 Сентябрь 2008 Сентябрь 2008 Август 2008 Июль 2008 г. Июнь 2008 май 2008 апрель 2008 март 2008 февраль 2008 январь 2008

Астрономическая картинка дня

: 1 мая 2020 года — взгляд на M106

APOD: 1 мая 2020 года — взгляд на M106

Откройте для себя космос! Каждый день появляется новое изображение или фотография нашей увлекательной вселенной. представлены вместе с кратким объяснением, написанным профессиональным астрономом.

2020 1 мая

Взгляд в сторону M106
Изображение предоставлено и авторским правом: Джунхва Ли

Пояснение: Большой, яркий, красивый спираль, Мессье 106 доминирует в этой космической перспектива. Почти два градуса шириной телескопический поле зрения смотрит в сторону хорошо обученного созвездия Трости Венатичи, возле ручки Большой Медведицы. Также известная как NGC 4258, M106 имеет диаметр около 80000 световых лет и 23,5 миллиона световых лет от нас, самый большой член Трости II группа галактик.Для очень далекой галактики расстояние до M106 хорошо известно. отчасти потому, что это может быть непосредственно измеренный отслеживая замечательный мазер или микроволновое лазерное излучение этой галактики. Очень редкий, но встречающийся в природе мазер эмиссия произведена молекулами воды в молекулярных облаках, вращающихся вокруг активный галактическое ядро. Еще одна заметная спиральная галактика на сцене, при просмотре почти с ребра NGC 4217 внизу и справа от M106. Расстояние до NGC 4217 известно гораздо меньше. около 60 миллионов световых лет, но яркий остроконечный звезды находятся на переднем плане, внутри нашей галактики Млечный Путь.Даже существование галактик за пределами Млечного Пути был допрошен 100 лет назад в астрономия Великие дебаты.

Дебаты экспертов: Как человечество впервые обнаружит внеземную жизнь?
Картинка завтра: световые выходные
< | Архив | Представления | Показатель | Поиск | Календарь | RSS | Образование | О Астрономической картинке дня | Обсуждать | >

Авторы и редакторы: Роберт Немирофф (MTU) и Джерри Боннелл (UMCP)
Официальное лицо НАСА: Филип Ньюман Применяются особые права.
NASA Web Политика конфиденциальности и важные уведомления
Услуга: ASD на НАСА / GSFC
и Michigan Tech. U.

Изображение может стоить 1000 слов … Но вам все еще нужны слова — Kevin York Communications

Это электронное письмо изначально появилось в выпуске 29 июня еженедельного маркетингового информационного бюллетеня KYC The Scribble. Вы можете подписаться на The Scribble внизу этой страницы.

С помощью быстрой прокрутки ленты Facebook легко увидеть, что обновления статуса, состоящие только из текста, ушли в прошлое, а посты с визуальным содержанием взяли верх.А почему бы не этого? Со всеми доступными фильтрами и инструментами редактирования ленты социальных сетей никогда не выглядели лучше! Многочисленные исследования показывают, что подписчиков гораздо больше привлекают изображения и визуальный контент, чем просто текст.

Однако — и это серьезная оговорка — это не означает, что изображения и видео должны стоять отдельно, без убедительных подписей или привлекательного фрагмента текста.

Похоже, мы слишком часто видим программы социальных сетей, которые сильно зависят от фотографий и изображений, особенно от стартапов и новых малых предприятий.Хотя это имеет смысл для Instagram или Pinterest, это не имеет особого смысла для Facebook, Twitter, LinkedIn и т. Д. Тем не менее, мы наблюдаем это во многих отраслях — высококачественные и отполированные фотографии без особых подписей или иногда любые субтитры, составляющие почти 100% контента для компаний. Что еще хуже, они выкладывают одни и те же фотографии на все каналы и даже повторно используют их на том же канале.

Недостаток, конечно же, стратегия.

Компании понимают, что потребители хотят видеть красивые изображения в социальных сетях, но не задумываются о назначении этих изображений.Как это согласуется с бизнес-целями? Как это согласуется с маркетинговыми целями? Или как насчет того, что вы хотите, чтобы люди делали после того, как увидят фотографию?

Чтобы фотографии действительно работали на вашу компанию и служили реальным маркетинговым целям, у вас должна быть определенная стратегия. Арт-директор, дизайнер или фотограф могут снимать или создавать красивые изображения, но они не стратег, поэтому, вероятно, не лучше всего подходят для того, чтобы вести вашу программу.

Мы уже говорили о стратегии в социальных сетях в The Scribble, поэтому сегодня я собираюсь сосредоточиться на важной и конкретной, но очень упускаемой из виду части реализации вашей более широкой стратегии через контент социальных сетей — фотографиях и подписях к изображениям.

Непрерывно создавать креативные и увлекательные подписи непросто. Это требует времени, творчества и усилий. Но для большей части постов, которые имеют визуальный аспект, чтобы быть действительно эффективными, им нужен вспомогательный текст. Подумайте об этом так: картинка рассказывает историю, а подпись добавляет контекст. Этот контекст часто необходим, чтобы вернуть людей к вашему бренду. Подумайте об искусстве. Два человека могут посмотреть на картину и составить два совершенно разных мнения о том, что художник пытался сказать через нее.

Если вы не укажете подпись, вы заставите свою аудиторию приложить больше усилий, чтобы расшифровать послание вашего сообщения. Вы также лишаете себя возможности сделать свой пост максимально эффективным. Ваша цель должна заключаться в том, чтобы уменьшить количество вопросов, которые возникают у вашей аудитории после просмотра вашей фотографии. Вы не можете просто предполагать, что они поймут ваше сообщение или что они «просто его поймут».

Очень сложно передать призыв к действию (что вы хотите, чтобы люди делали после просмотра сообщения — щелкните ссылку, например сообщение, комментарий, поделитесь и т. Д.) через фото. Это, пожалуй, самая важная причина для добавления сопроводительного текста к изображениям. Хотя изображения могут привлечь вашу аудиторию, сильный заголовок выделяет ваши сообщения и связывает эти отдельные сообщения с вашей более широкой стратегией.

Вы должны тратить столько же времени на подпись, сколько на настройку фотографий с помощью фильтров и других инструментов редактирования. Каждая статья одинаково важна для создания качественных и интересных постов. Субтитры не должны быть длинными. Например, даже если у вас 2200 символов в Instagram, вам не нужно — и не следует — использовать их все.Важно найти баланс. Мало кому нравится читать длинный текст, но вы должны дать им достаточно, чтобы понять ваше сообщение полностью.

Изображения не справляются со всем. Сделав снимок и добавив несколько фильтров, вы его не обрежете. Но если вы сбалансируете крутые и привлекательные изображения с интригующим текстом и прочной общей стратегией, вы получите высококачественные публикации, на которые откликнется ваша аудитория.

— Джейсон

Фотография может стоить тысячи слов, но кадр завершает историю

Дэвид — генеральный директор Move, Inc. /realtor.com. Realtor.com делает покупку, продажу и проживание в домах проще и выгоднее для всех.

getty

До того, как я присоединился к realtor.com, я думал об онлайн-поиске дома, как это, вероятно, делает большинство людей — как способ смотреть на красивые фотографии домов, мечтать о том, где я и моя семья могли бы жить, и узнавать о том, что доступно на любом конкретном рынке и сколько мне придется потратить на дом, который соответствует моим потребностям.

Но, как я понял, и как знает любой профессионал в сфере недвижимости, речь идет о гораздо большем. Когда люди становятся домовладельцами, они более полно вкладывают средства в сообщество, и на качество их жизни в этом доме влияет множество факторов, выходящих за рамки этих четырех стен. Социально-экономические условия, государственная политика, география и климат могут существенно повлиять на опыт домовладения.

Агенты и брокеры могут предоставить этот контекст и информацию своим клиентам, но 93% сегодняшних покупателей жилья ищут дома в Интернете.Вот почему я считаю, что все мы, работающие в отрасли, должны найти способы интегрировать некоторые из этих факторов в домашний поиск в Интернете. На цифровых платформах мы можем разрабатывать функции, которые беспрепятственно включают релевантные данные в поисковую систему и демонстрируют, как тенденции на основе этих данных могут повлиять на отдельные объекты и сообщества.

Риск наводнения — один из своевременных примеров интеграции данных, который мы внимательно учли при добавлении функций в нашу собственную систему поиска на платформе.В разгар сезона ураганов наводнение, безусловно, является главной проблемой для многих из нас, домовладельцев, покупателей и продавцов, а также профессионалов в сфере недвижимости. В конце концов, наводнение — одно из самых дорогих стихийных бедствий в Соединенных Штатах, которое с 1980 года стоило более 1 триллиона долларов с поправкой на инфляцию.

Тем не менее, иногда бывает сложно найти баланс между безупречным опытом поиска потребителей и отраслевыми нюансами и знаниями. Функции онлайн-поиска, такие как риск наводнения, автоматизированные модели оценки, фильтры шума и наложения преступности, могут помочь потребителям добавить контекст в свой домашний поиск, но иногда могут вызывать споры у профессионалов в сфере недвижимости.Человеческая природа — сопротивляться изменениям и беспокоиться о том, что эти изменения могут означать для бизнеса и средств к существованию, но рынок цифровой недвижимости открывает двери для способов ведения бизнеса, которые раньше были невозможны. Удобные для потребителя функции, которые привлекают людей, в конечном итоге приносят пользу профессионалам, которые хотят с ними работать. Прикладная аналитика данных на основе взаимодействия с потребителями позволяет агентам и брокерам лучше понять намерения потенциальных клиентов, чтобы они могли сосредоточить усилия на потенциальных клиентах, которые с наибольшей вероятностью конвертируются.Шаблоны онлайн-поиска могут информировать более широкие демографические и психографические тенденции, что помогает агентам понять, как лучше всего продвигать и позиционировать дома для продажи.

Путешествие в сфере недвижимости, несомненно, меняется, от поиска до закрытия и так далее. Но в конце концов, мы все должны думать об опыте потребителей и нашей роли в создании и предоставлении услуг, рекомендаций и ресурсов, чтобы помочь покупателям и продавцам жилья добиться успеха. То, что хорошо для потребителей, должно быть хорошо и для отрасли.В этом ключе, вот несколько вопросов, которые мы все должны задать себе.

Кто сегодня покупает жилье?

Миллениалы в настоящее время составляют более 50% всех ипотечных кредитов, и самые старые представители поколения Z начинают выходить на рынок. Многие из этих многообещающих покупателей и продавцов жилья являются цифровыми аборигенами, и по мере роста влияния этих поколений на рынок их поведение и предпочтения будут определять то, как дома будут покупаться и продаваться в будущем.

Чего они хотят?

Им нужны услуги по запросу, мгновенное удовлетворение запросов и персонализация. Они хотят, чтобы доступ к информации был у них под рукой, профессионалы, которые понимают их и то, что им нужно и чего они хотят от дома. Правильное сочетание технологий и индивидуального обслуживания может сделать этот процесс максимально простым и безболезненным для этих покупателей жилья.

Как мы можем им помочь?

Это поколение покупателей жилья будет тяготеть к ресурсам и профессионалам, которые дают им то, чего они хотят, ожидают и в чем нуждаются.Мы должны сделать так, чтобы людям было как можно проще находить то, что они ищут, и помочь им понять общую картину, потому что домовладение больше, чем сумма фотографий с листингом дома.

Агенты

должны использовать способы общения, помимо телефонных звонков и электронных писем, текстовых сообщений и видеочатов, а также предлагать виртуальные / трехмерные туры и дни открытых дверей в режиме реального времени. Потребители, похоже, действительно реагируют на этот контент — 34% объявлений на сайте realtor.com в настоящее время включают виртуальный тур, а наши внутренние показатели показывают, что эти объявления привлекают 48% пользователей.

Мы также продолжим развивать возможности онлайн-поиска, которые включают способы оценки проблем качества жизни, таких как время в пути, доступность и особенности района. Работая вместе, мы можем создавать цифровые торговые площадки, которые используют обширную вселенную данных, связанных с недвижимостью, и помогают соединять людей с профессионалами, в которых они нуждаются, чтобы сделать покупку, продажу и проживание в домах проще и приятнее для всех.


Forbes Real Estate Council — это сообщество руководителей в сфере недвижимости, доступное только по приглашениям. Имею ли я право?


Палеоматематика: Часть 30 — Картинка может стоить 1000 ориентиров

30.

Картинка может стоить 1000 ориентиров

Я начал эту серию статей о математических методах в палеобиологии в 2004 году с рассмотрения методов регрессии, которые описывают взаимосвязь между двумя простые линейные переменные расстояния, иллюстрирующие их данными, собранными из серии цифровых изображений трилобитов. Очевидно, что с тех пор наша дискуссия довольно широко охватила математический ландшафт, анализ данных и таксономию.В этом эссе, последнем в серии, я хотел бы вернуться к вопросу о том, как мы можем извлекать данные из морфологической информации, представленной нам органическими формами, обычно (в наши дни) с помощью цифровых изображений.

Возможно, самая основная концепция в области количественного анализа данных — это переменная. Переменные — это наблюдения, которые мы проводим, обычно в форме измерений, над набором образцов, которые составляют выборку из некоторой представляющей интерес совокупности. Переменные бывают разных типов и форм.Если вы не берете ничего другого из этих палео-математических эссе, пожалуйста, пусть будет так, что для целей описания и сравнения образцов в выборке (не говоря уже о том, чтобы делать выводы о популяции (ах), из которой была взята выборка), переменные — образец; единственная информация, к которой имеет доступ любая процедура анализа данных. Таким образом, крайне важно, чтобы переменные, которые мы выбираем для представления наших образцов, соответствовали как рассматриваемым образцам, так и рассматриваемым гипотезам.Если исходящие переменные не соответствуют этим критериям каким-либо разумным и оправданным образом, вполне вероятно, что любые результаты, полученные нами в результате их анализа, будут скомпрометированы и / или (в конечном итоге) поставлены под сомнение. Например, если нас интересуют явления, относящиеся к расположению составных частей образца относительно друг друга, и если большинство этих составных частей не расположены на контуре образца, нет смысла ограничивать сбор данных только геометрия контуров образца. Точно так же, если нас интересуют вопросы, относящиеся к общей форме образцов, и если эта общая форма лучше всего представлена ​​контуром образцов, не имеет смысла ограничивать сбор данных небольшим набором ориентиров, расположенных внутри контура.

Но что, если вы не уверены, какие части морфологии важны с точки зрения оценки отношений сходства и / или различия между образцами, составляющими образец? Что, если изменчивость в ваших образцах такова, что идентификация соответствующих точек (ориентиры, начальные точки для оцифровки контуров) в образце просто невозможна? Возможно, что еще более важно, предположим, что мы хотим включить как можно больше морфологической информации о наших образцах и / или нас не устраивает идея абстрагирования образцов до (относительно) небольшого набора переменных априори? Есть ли способ решить эту общую проблему в контексте морфометрического анализа?

Недавно я столкнулся с подобной ситуацией во время студенческого магистерского проекта.Студент хотел количественно оценить паттерн орнамента крыльев морф миметических видов бабочек (рис. 1), чтобы сравнить вариации окраски крыльев с вариациями последовательности генов. На первый взгляд это казалось достаточно простым: просто определите, какие аспекты орнамента были общими для всех образцов в выборке, и основываете систему измерения на тех, которые используют ориентиры, контуры или ориентиры + контуры, где это необходимо. Объяснив эти принципы студентке, я отправил ее разработать систему измерения и собрать данные.К моему большому удивлению, она снова появилась в дверях моего офиса через несколько дней в несколько взволнованном состоянии, неоднократно пытаясь следовать моим инструкциям, но безуспешно. После небольшого обсуждения стало ясно, почему. Как можно увидеть на Рисунке 1, у бейтсовских видов-мимиков имеется очень мало особенностей рисунка орнамента крыльев, а те, что присутствуют, имеют тенденцию иметь довольно обобщенный характер (например, оранжевая область в центре, черные периферийные области со светлыми участками). цветные пятна и / или вкрапления).По сути, эти имитации — несколько приблизительные, а не близкие копии.

Рис. 1. Морфологические изменения в наборе видов бабочек-миметиков Бейтса. A. Danaus chrysippus (модельный вид). Б. Данай хрисипп f. trophonius (мимик). C. Danaus chrysippus f. ламборни (мимика). Обратите внимание на сходство всех трех цветовых морфов с точки зрения общего распределения цветов по крыльям, а также уровня мелкомасштабной разницы в количестве, размерах и формах пятен. Эти несоответствия затрудняют использование стандартных морфометрических переменных для характеристики паттернов сходства и различия окраски крыльев.

Стандартным ответом на подобную ситуацию было бы (к сожалению) либо полностью отказаться от морфометрического подхода, либо собрать небольшой набор ориентиров, либо очертить полуосновы и проанализировать их, а не образцы цветных пятен. В конце концов, если бы не было никаких связанных с формой черт, общих для пятен во всех образцах, казалось бы, не было бы никакой основы для их сравнения. По крайней мере, так обычно работает логика. Но это явно ложная логика. Дело в том, что энтомологи, коллекционеры-неспециалисты и даже виды-хищники-бабочки могут проводить сравнения рисунков крыльев этих бабочек.Действительно, в этом весь смысл мимикрии Бейтса! Первые две группы проводят такие сравнения (буквально) веками, а в случае с хищниками это продолжается миллионы лет. Если энтомологи и хищники-бабочки могут проводить сравнения между подобными морфологиями, количественные морфологи и морфометры должны иметь возможность, по крайней мере, попытаться решить одну и ту же проблему количественно. Но как?

Чтобы не поставить под угрозу способность учеников публиковать результаты своих миметических бабочек, я перейду к аналогичному набору данных изображений, который я часто использую, чтобы познакомить моих учеников с концепцией морфологической вариации (рис.2). Хотя эта небольшая коллекция изображений жуков-божьих коровок определенно не является окаменелостями, они служат для иллюстрации всего диапазона морфологических вариаций в наборах биологических данных лучше, чем типичный набор данных по окаменелостям. Тем не менее, методы, которые я разработаю ниже, будут одинаково хорошо применимы к изображениям ископаемых образцов, где цветные пятна на образце часто не имеют отношения к делу.

Рис. 2. Рисунки 24 видов жуков-божьих коровок (семейство Coccinellidae), иллюстрирующие различные формы тела и цветовые морфы.Как и в случае с бейтсовскими мимическими бабочками (см. Рис. 1), сложность вариаций формы тела, цвета, распределения, количества, размеров и формы пятен затрудняет характеристику этой выборки с использованием стандартных переменных линейного расстояния, ориентира или полуотметки.

Среди этих рисунков жуков-божьих коровок мы видим множество вариаций формы тела, позы ног и усиков, а также окраски и цветовой текстуры надкрылий, грудных и головных щитов. Несмотря на то, что они слишком типичны для наборов морфологических данных, они открываются практически в любом хорошо организованном музейном ящике; это то, что вы увидите, ни один из многих инструментов численного анализа данных и / или морфометрии, которые я обсуждал в этой колонке, не может справиться с проблемой характеристики отношений сходства / несходства в этой выборке или, по крайней мере, не очевидно.

Паттерны, которые мы видим на этом рисунке, кажутся слишком сложными, чтобы их можно было адекватно охарактеризовать наборами линейных расстояний, ориентиров или полуотметок. Тем не менее, из-за отсутствия каких-либо измерений мы не можем ответить даже на самые простые вопросы об этом образце. Какова средняя форма и цветовой рисунок этого образца? Распространяется ли морфологическая изменчивость непрерывно или прерывисто? Есть ли у распределения форм и цветных пятен один или несколько режимов? Если второе, как эти режимы расположены относительно друг друга? Еще более удручающими являются простые описательные вопросы.Если мы хотим дать ответы на более сложные биологические и / или эволюционные вопросы, например, как эти паттерны морфологической изменчивости зависят от окружающей среды, географии, экологии, поведения, генотипа, филогении и т. Д., Возможность сравнить каждую из этих форм друг с другом. количественно имеет решающее значение. Но если ни один из инструментов, концепций или методов, которые мы обсуждали до сих пор, не подходит для этой задачи, неужели мы просто зря тратили время на изучение методов, которые могут относиться к некоторому небольшому подмножеству проблем морфологического анализа данных, но не подходят для большинства? рутинных ситуаций морфологического анализа данных, с которыми мы сталкиваемся? Неужели правда, что лучшее, что мы можем в этом случае, — это пожать плечами и вернуться к качественной проверке и обращению к власти для решения этих вопросов?

Конечно, мы можем сделать лучше, чем это.Как и многие другие проблемы в науке и особенно в математике, эта кажущаяся неразрешимой проблема с удивительной легкостью уступает место простому сдвигу в концептуальной системе отсчета. Стандартный способ решения проблемы выборки морфологии — найти ряд топологически гомологичных перемещаемых точек в интересующих формах и записать их координаты. Из этих координатных позиций можно рассчитать либо линейные расстояния, либо координаты формы. Однако, если изображение образца было оцифровано, оно уже было разбито на серию топологически гомологичных координатных точек пиксельной сетки (рис.3).

Рис. 3. Три примера представления морфологии и орнамента божьих коровок с наложенной сеткой 14 x 14 пикселей.

Эти местоположения пикселей представляют собой набор полууровневых меток, которые демонстрируют последовательную пространственную структуру во всем наборе форм. Пока размеры и разрешение этой сетки остаются постоянными для всех изображений в образце, и пока образцы ориентированы в сетке некоторым разумно согласованным образом, эту сетку можно использовать для извлечения сопоставимых описаний их геометрических форм.Полученные таким образом количественные описания разновидностей образцов можно систематизировать во многих форматах. Если требуется только контур формы, всем пикселям, цвет или уровень серого которых отличается от цвета фона, можно назначить один и тот же цвет (обычно черный или белый в зависимости от фона). 1 Если цвет не является интересующим параметром, сетка может быть настроена на выборку только значений уровней серого отдельных пикселей, составляющих изображение. Если цвет представляет интерес, можно использовать сетку выборки для извлечения значений красного, синего и зеленого (RGB) каждого пикселя.На рисунке 4 показано влияние различных решений по выборке сетки на представление первой из трех форм жуков-божьих коровок, показанных на рисунке 3.

Рисунок 4. Морфология жуков-божьих коровок, представленная в виде четырех различных разрешений выборки сетки пикселей и трех разных цветовых форматов: 8 -битные значения RGB (верхняя строка), 8-битные значения шкалы серого (средняя строка) и двоичные (1-битные) значения (нижняя строка). Обратите внимание на точность воспроизведения деталей даже при низком пространственном разрешении.

Что примечательно в этом сравнении разрешений выборки и цветовых форматов, так это уровень содержания информации о форме и текстуре, который сохраняется даже при относительно низких разрешениях выборки.Это говорит о том, что для целей характеристики формы и текстуры многие пиксели в изображении с нормальным разрешением (например, 72 пикселя на дюйм) являются избыточными: значение любого конкретного пикселя во многом совпадает со значениями пикселей, непосредственно прилегающих к нему. . На математическом жаргоне это самоподобие называется пространственной автокорреляцией. Если возможно, пространственная автокорреляция наших необработанных морфологических данных должна быть уменьшена до начала анализа данных, чтобы можно было оптимизировать эффективную размерность задачи анализа данных.Но можем ли мы добиться этого сокращения в контексте цифрового изображения?

В качестве начального шага мы можем уменьшить разрешение изображения до точки, в которой количество самоподобных пикселей минимизируется по отношению к общему информационному содержанию пиксельной сетки. Хотя существуют алгоритмические способы достижения этой минимизации, для биологических изображений я рекомендую принять экспериментальный подход к определению пространственного разрешения и цветового формата, необходимого для каждого анализа в каждом конкретном случае. Эта рекомендация отражает мое убеждение в том, что аналитик (или специалист по таксономии), а не алгоритм, обычно лучше всего подходит для определения морфологических особенностей, которые необходимо включить в изображение, чтобы гарантировать, что набор изображений с пониженной выборкой остается подходящим для проверки гипотез ( s) в стадии рассмотрения.

После того, как пространственное и цветовое разрешение, необходимое для представления набора изображений, установлено, становится простым делом объединить результирующие значения яркости или цвета пикселей в математическое описание образца.Это делается путем преобразования матрицы значений пикселей в одну строку значений в стандартной матрице данных. Таким образом, каждый из пикселей становится переменной, а данные цвета или шкалы серого — значениями этих переменных. Поскольку каждое из изображений, обработанных таким образом, состоит из одного и того же количества переменных (пикселей), поскольку каждая переменная имеет постоянное пространственное отношение к каждой другой переменной, и поскольку значения, которые каждая из этих переменных может принимать, относятся к одному типу и диапазон величин, вместе эти переменные (пиксели) образуют математическое пространство, в котором может быть расположен каждый из образцов, составляющих образец.Образцы, чьи форма, цвет и рисунок пятен схожи, будут лежать рядом друг с другом в этом пространстве, в то время как те, чьи морфологические признаки различны, будут лежать на некотором расстоянии друг от друга. Это точно такой же вид представления между образцами, которого мы достигаем при анализе на основе линейного расстояния, ориентира или полу отметки. Тем не менее, используя значения пикселей в качестве переменных, а не координаты точек, мы сохраняем как можно больше общего морфологического содержимого каждого изображения (и, следовательно, каждого образца), а также избегаем необходимости принимать какие-либо решения о том, какой аспект (аспекты) морфологии может быть, а может и не быть важным для решения проблемы в начале анализа.

Это довольно гибкий подход к анализу морфологии биологических образцов, а также тот, который включает в себя многие особенности анализа данных, которые мы обсуждали в контексте различных типов морфометрических данных. Концептуальная связь с контуром и трехмерным анализом поверхности кажется простой. Но даже в контексте традиционных форм анализа ориентиров все, что мы действительно делали, — это смещение нашего фокуса с местоположения небольшого числа точек (неявно), встроенных в систему координат, на положение всего информационного содержания самой системы координат.Цена, которую пришлось заплатить за такое изменение фокуса, заключается в необходимости иметь дело с гораздо большим количеством переменных, чем это было бы в случае традиционного анализа ориентиров и полу отметок. Но преимущество в том, что мы можем включать гораздо больше морфологической информации, которая может иметь отношение к задаваемым нами вопросам, чем это было бы в противном случае.

Чтобы проиллюстрировать эту процедуру, возьмем набор изображений жуков-божьих коровок на рисунке 2 и спросим, ​​представляет ли этот образец непрерывно изменяющийся набор цветовых морфов (нулевая гипотеза) или у нас здесь есть два основных типа жуков: оранжевые жуки с черным пятна и черные жуки с оранжевыми или красными пятнами (альтернативная гипотеза).Используя строго гештальт-оценку этих морфологий, я не могу утверждать, что образец можно подразделить на оранжевые и черные цветовые морфы, как указано в таблице 1. В рамках этой классификации образцы 5 и 6 в строке 2 на рисунке 2 кажутся близкими к промежуточному состоянию между двумя группы, причем первые немного более оранжевые, а вторые — немного более черные. Однако я понятия не имею, является ли граница между этими предполагаемыми группами постепенной или несвязанной в пределах этой выборки.

Таблица 1.Предполагаемые определения цветовой морфы божьих коровок (по ряду и № экз. ).
Оранжевые морфы Черные морфы
1-1 2-3 1-5 2-8
1-2 2-4 6 3-4
1-3 2-5 1-7 3-5
1-4 3-1 1-8 3-6
2-1 3-2 2-6 3-7
2-2 3-3 2-7 3-8

Прежде чем читать дальше, вы можете сами рассмотреть рисунок 2 и прийти к своему собственному предварительному выводу о том, какая из гипотез — нулевая или альтернативная — более верна.Это не так просто, как вы думаете.

Рис. 5. Повторная выборка 24 рисунков божьих коровок (семейство Coccinellidae) (см. Рис. 2) с использованием цветной пиксельной сетки 32 x 32 (RGB). Этот протокол повторной выборки уменьшил количество пикселей каждого образца на c. 80% будут незначительными потерями в пространственном разрешении признаков, необходимых для описания паттернов морфологической изменчивости.

При подготовке к нашему анализу мы можем уменьшить пространственное разрешение изображений, которые составляют рисунок 2, со 150 x 150 пикселей до 32 x 32 пикселей (рис.5). Изучив пластину с изображениями жуков на этом пониженном уровне разрешения, вы можете увидеть, что, несмотря на то, что мы уменьшили общее количество пикселей, представляющих каждый образец, на 95 процентов, эти изображения с более низким разрешением сохраняют практически все особенности образцов, наблюдаемых в исходный набор изображений. Таким образом, эта операция уменьшила количество переменных, требуемых для представления наших образцов (= уменьшила их размерность), предпочтительно исключив избыточные пиксели (= уменьшив пространственную автокорреляцию), при этом понесла лишь очень незначительную потерю информационного содержания. Все идет нормально.

Поскольку это цветные изображения, и поскольку в этом случае мы действительно хотим включить оценку вариации цвета в наш набор данных, каждое изображение образца можно полностью описать путем преобразования формата пикселей в матрицу 32 x 32 красного, зеленого значения интенсивности синего (RGB) цвета; операция, результатом которой является спецификация 32 x 32 x 3 или 3702 переменных. Это большой и несколько неудобный набор данных, поскольку у нас гораздо больше переменных, чем образцов. Тем не менее, это набор данных, с которым мы можем работать, и такие искаженные матрицы данных отнюдь не редкость ни при анализе данных в целом, ни при морфометрическом анализе данных в частности.

Ковариационный анализ главных компонентов (PCA) этих изображений показывает, что 95 процентов наблюдаемых вариаций формы, цвета и текстуры могут быть представлены на 18 ортогональных компонентах или осях вариации. Эта операция дополнительно снижает эффективную размерность нашей измерительной системы с 3702 переменных до 18 (сокращение на 99,5%). Эта операция также снижает количество переменных ниже количества образцов в нашем наборе данных. Количество экземпляров в наборе морфометрических данных представляет собой важное проклятие порога размерности (см. Bellman 1957; MacLeod, 2007, Mitteröcker and Bookstein 2011), о котором я расскажу подробнее ниже.

Мы можем взглянуть на это пространство главных компонентов, чтобы увидеть, что оно говорит нам об основных особенностях вариации в нашей выборке (рис. 6). На первые два основных компонента (рис. 6А) приходится наибольшая доля наблюдаемых вариаций формы, цвета и текстуры (37,44%). Но вариация в этой выборке такова, что эти оси отображают незначительную долю вариации выборки в целом. Распределение изображений в этом подпространстве предполагает, что в этом образце происходит нечто большее, чем просто черно-оранжевое различие, которое мне показалось очевидным после беглого просмотра рисунка 2.Широкомасштабная кластеризация двух предполагаемых цветовых морфов очевидна на этом графике, но различие между ними касается обеих осей ПК. Более того, характер межморфной границы четко не определен. В то время как ординация оранжевых морф внутри этой плоскости кажется относительно постепенной, ординация черных морфов кажется сильно структурированной.

Рис. 6. Распределение форм и соотношений сходства текстур божьей коровки и различий между ними на первых трех осях главных компонент ковариационной матрицы изображения.Черные значки = предполагаемые морфы черного жука. A. Подпространство, образованное ПК-1 (ось x) и ПК-2 (ось y). B. Подпространство, образованное ПК-3 (ось x) и ПК-2 (ось y). Обратите внимание на сравнительное отсутствие образцов, которые проецируются в положения вдоль осей главных компонентов. Отсутствие эмпирического определения тенденций формы осей, которое может быть предоставлено такими образцами, делает довольно трудным получение подробных геометрических интерпретаций общего пространства формы. См. Текст для обсуждения.

Случайный качественный анализ этого паттерна ординации позволяет предположить, что черная морфия бывает двух разновидностей: черное тело с оранжевыми пятнами (подгруппа, которая располагается в нижней части ПК-1) и черное тело с красными пятнами (подгруппа это относится к высокому уровню PC-1).Таким образом, основное различие в этом образце, по-видимому, заключается в различии между оранжевыми жуками и красными пятнистыми жуками, а не оранжевыми и черными жуками. Оранжево-черное различие, которое мне показалось таким поразительным, отражено преимущественно в расположении образцов по ПК-2, по которому первые показывают низкие баллы, а вторые — высокие. Кроме того, вдоль этой оси предполагаемые черные морфы, по-видимому, демонстрируют более или менее унифицированное распределение, тогда как предполагаемые оранжевые морфы представлены двумя разновидностями: большая группа ярко-оранжевых и темно-оранжевых морф с гораздо меньшими черными пятнами и меньшая группа морфы, в которых черные точки слились до такой степени, что общее количество черных и ярких / темно-оранжевых пикселей примерно равно (образцы 2-5 и 3-2). Если мы добавим PC3 к нашей оценке (рис. 6B), эта интерпретация существенно не изменится. Вдоль оси PC-3, по-видимому, существует различие между ярко-оранжевыми (низкие оценки PC-3) и темно-оранжевыми (высокие оценки PC-3) морфами, по крайней мере, вдоль нижнего течения PC-2.

Учитывая сложный характер изменения изображения в этом пространстве, на удивление сложно придумать детальную интерпретацию этих осей. Мы видели это раньше с разными типами данных. Но для этих изображений ситуация явно более сложная из-за, несомненно, большого количества исходных переменных.Используя качественные методы визуализации для интерпретации этих осей, лучшее, что мы можем сделать, — это сравнить и сопоставить изображения, которые лежат на крайних уровнях вариации по каждой оси, и надеяться, что они представляют все или, по крайней мере, большинство контрастов, контролирующих размещение каждого образца. Это особенно опасная интерпретирующая стратегия, которой следует следовать, особенно когда распределение форм в этом пространстве не включает многие, которые лежат близко к фактическим следам осей ПК, как здесь для ПК-1, ПК-2 и ПК- 3.В таких случаях гораздо лучше рассчитать модели изменения изображения в определенных положениях вдоль любой оси, которую вы, возможно, захотите интерпретировать, и основывать свои интерпретации на этих моделях. Такие модели могут быть рассчитаны точно так же, как мы рассчитывали их для других типов данных (см. MacLeod 2009, 2012, 2013). Модели изображений вдоль оси для первых трех основных компонентов анализа божьей коровки показаны на рисунке 7.

Рис. 7. Модели изображений для набора данных жуков-божьих коровок, рассчитанные с одинаковыми координатами по первым трем осям главных компонентов.См. Текст для обсуждения. Цифры в скобках относятся к положениям координат, в которых была рассчитана каждая модель изображения (см. Рис. 6).

Проверка этих моделей значительно проясняет интерпретацию основных режимов вариации в нашем наборе данных. Здесь мы можем видеть, что PC-1 на самом деле улавливает различие между оранжевыми морфами с многочисленными маленькими черными пятнами (крайне отрицательные оценки) через темно-оранжевые морфы с более крупными черными пятнами до средней области, в которой формы состоят из примерно одинаковых черных и темно-оранжевых областей. встречаются и далее морфы, характеризующиеся преимущественно черным телом с единственной парой больших красных пятен на надкрыльях и краях грудного щита (крайние положительные оценки).Вторая ось ПК отличается тем, что контрастирует с ярко-оранжевыми морфами с меньшим количеством более крупных черных пятен (крайние отрицательные оценки), проходит через срединную область, состоящую из темно-оранжевых морф с небольшими черными пятнами, и далее к формам, характеризующимся черными телами. с четырьмя симметрично расположенными красными пятнами на надкрыльях, передние из которых имеют черные пятна в центре и удлиненные красные пятна по краям грудных щитов (крайняя положительная оценка). Наконец, PC-3 улавливает различие между формами, характеризующимися черными телами с большими продолговатыми оранжевыми пятнами, оси которых расположены под прямым углом к ​​передне-задней оси симметрии жуков (крайние отрицательные оценки), через срединную область, характеризующуюся темно-оранжевыми морфами. с черными пятнами и далее к области, характеризующейся формами с черными телами и темно-оранжевыми полосами, образованными в результате постепенного слияния оранжевых пятен (крайние положительные оценки).При внимательном рассмотрении набора моделей PC-3 также обнаруживается, что в процессе перехода от высоких отрицательных к высоким положительным оценкам черная полоса вдоль медиального края надкрылий меняет цвет и становится оранжевой. Если бы у нас не было доступа к этим гипотетическим моделям изображений для использования в качестве точно расположенных точек отсчета и сравнения, очень сомнительно, чтобы такая подробная интерпретация основных измерений вариации формы могла быть выведена только на основе простой проверки фактических ординаций образцов. .

Хотя расчет моделей формы вдоль оси позволяет сделать более подробные и полезные интерпретации пространства ординации ПК, предлагаемые выше интерпретации остаются лишь полуколичественными, поскольку сравнения между моделями, рассчитанными вдоль каждой оси, проводились на глаз. Еще более полную и детальную картину сходства различий между этими моделями можно составить, рассчитав карты различий сравнений между этими моделями (рис. 7).

Карты разности сравнивают (в данном случае) значения RGB соответствующих местоположений пикселей на двух или более изображениях и назначают цвет сопоставленному пикселю, оттенок которого основан на количестве изменений, записанных в отдельных местоположениях пикселей.Обычно на этих картах используется метафора температуры, чтобы визуально выразить эти результаты. Согласно этому соглашению области изображения, характеризующиеся незначительными неизменными изменениями, обозначаются синим (= холодным), а области, характеризующиеся высокими уровнями изменения, — (постепенно) желтым, оранжевым и красным (= горячим). Преимущество этого типа представления состоит в том, что он является более объективной, количественной и подробной оценкой наблюдаемых изменений, чем качественная проверка различий в изображениях. Однако следует помнить, что нет простой связи между абсолютной величиной изменения значения пикселя в любом конкретном месте и биологической значимостью этого изменения.Сила подхода с использованием карты различий заключается в том, что карты привлекают наше внимание к конкретным аспектам сравнения форм или областям изменения формы, которые могут быть упущены из виду, когда наши глаза пытаются обработать и выделить согласованные закономерности или тенденции в результатах модели изображения. Карты различий могут использоваться либо в исследовательском смысле (например, для выявления областей высокого или низкого уровня, на которые мы могли бы обратить особое внимание в последующем анализе), либо как средство проверки конкретных гипотез (например, если генеративная гипотеза предсказывает, что какое-то изменение будет локализовано в определенных областях формы), но (почти) никогда не должно использоваться само по себе для интерпретации биологического значения изменений формы, которые они фиксируют.

Рис. 8. Карты разницы моделей изображения вдоль оси для первых трех наборов моделей осей главных компонент (см. Рис. 7). Эти графики суммируют области изображения, в которых имеют место различные пропорции изменения значений цвета пикселей при движении вдоль каждой из осей основных компонентов. На этих графиках отдельные пиксели имеют следующую цветовую кодировку: синий = без изменений, белый = умеренное изменение, желтый = умеренно высокое изменение, оранжевый = сильное изменение, красный = очень сильное изменение.Обратите внимание, как разные оси ПК суммируют изменения в разных областях формы.

Когда подход карты различий используется для сравнения различий между моделями жуков-божьих коровок с очень низким и высоким баллом в каждой из последовательностей вдоль оси (рис. осмотр моделей, показанных на рисунке 7. Например, кажется, что наблюдается общее расширение надкрылий и грудных щитов вдоль ПК-1 с изменением цветового рисунка надкрылий, по-разному происходящим в задней части формы.Вдоль ПК-2 это расширение ограничено средней частью надкрылий с существенными вариациями цветового рисунка, происходящими в передней области надкрылий. вдоль ПК-3 наблюдаются умеренные режимы изменения цветового рисунка поперек надкрылий, сопровождаемые небольшой концентрацией в задней части грудного щита. Однако преобладающий способ изменения формы, выраженный по этой оси, — это небольшое удлинение тела, которое, по-видимому, составляет порядка 2-3 пикселей в аспекте.

А как насчет нашего первоначального вопроса о различении оранжевых и черных морфов? Рисунок 6C предполагает (слабо), что характер этого перехода может быть постепенным.Однако простого взгляда на несколько плоскостей через исходное 18-мерное пространство ПК недостаточно для определения фактической степени разделения между этими морфами. Если разделение между группами может быть расположено вдоль любой из этих осей, либо по отдельности, либо при использовании в комбинации, группы можно разделить. Поскольку у нас нет ни времени, ни терпения, ни программного обеспечения, чтобы визуально исследовать все возможные геометрические формы точек в 18-мерном пространстве, для решения этого вопроса необходимо использовать какую-то другую процедуру.

Здесь мы сталкиваемся с небольшими, но текущими противоречиями среди морфометров. Классическим способом решения этой проблемы было бы подвергнуть либо необработанные данные, либо сокращенный набор оценок ПК процедуре дискриминантного анализа, такой как анализ канонических переменных (CVA). Как указывал Айв ранее (MacLeod 2009), CVA принимает многомерный набор данных и выполняет серию стандартизированных вращений и преобразований осей, в результате чего данные для двух или более групп проецируются в многомерное пространство, в котором центроид каждой группы максимально отделен от центра тяжести. центроид каждой второй группы относительно дисперсий внутри группы.Этот метод обычно не может применяться к необработанным или выровненным по Прокрусту морфометрическим данным из-за вычислительных трудностей, которые возникают при попытке инвертировать матрицу ковариации внутри группы. Тем не менее, эти трудности могут быть решены (обычно) путем проведения исходных данных через начальный PCA и отбрасывания компонентных осей, которые представляют статистически или биологически незначительную часть наблюдаемой вариации формы.

Эта процедура недавно подверглась критике Mitteröcker и Bookstein (2011) как непригодная для анализа морфометрических данных по следующим причинам.

  1. Ориентации осей CV не ортогональны друг другу в пространстве исходных переменных, используемых для вычисления CVA; в результате истинные расстояния Евклида и / или Прокруста между образцами не отображаются точно в пространстве ординации CVA.
  2. Если количество переменных значительно превышает количество образцов, составляющих набор данных, CVA всегда сможет найти линейные комбинации переменных, которые разделяют группы, даже в случае искусственно сгенерированных данных, взятых из одного и того же многомерного нормального распределения. 2
  3. Оценки объектов, проецируемых в пространство CV, представляют не линейное преобразование исходных переменных, а линейное преобразование этих переменных после того, как они были преобразованы в искаженное пространство, сформированное операцией, которая отображает внутреннее пространство. групповые ковариационные матрицы сферические. Таким образом, режимы изменения формы, которые оптимально разделяют группы, трудно интерпретировать и моделировать должным образом.
  4. Канонические вариативные результаты чувствительны к количеству и масштабированию переменных, используемых в их вычислениях.В качестве альтернативы, Mitteröcker и Bookstein (2011) выступают за использование межгруппового PCA, в котором групповые средние используются для определения ориентации набора осей собственных векторов и данных, составляющих образец, спроецированный в это групповое средне-определяемое пространство ординации PCA. .

Безусловно, межгрупповой PCA (BG-PCA) — это простая процедура, имеющая преимущество в том, что истинные евклидовы расстояния и расстояния Прокруста сохраняются более точно, хотя и не точно в пространстве ординации, чем типичный CVA.С одной стороны, для наборов данных, в которых количество объектов превышает количество переменных, BG-PCA в большинстве случаев будет давать результат, который является субоптимальным с точки зрения разделения центроидов групп в пределах его дискриминантного пространства относительно вычисленного дискриминантного пространства. в результате нормального CVA. С другой стороны, для наборов данных, в которых количество переменных значительно превышает количество объектов, CVA может нарисовать неверную картину истинной степени различия между группами. Оба подхода скомпрометированы проклятием размерности, но по-разному.Проведение предварительного PCA в любом случае уменьшит влияние этого проклятия и позволит большему количеству собранных исходных данных участвовать в анализе. Что касается возможности интерпретации и моделирования результатов CVA, MacLeod (2009) рассмотрел процедуры проецирования осей CVA (или любых траекторий разделения групп, указанных в пространстве CVA) обратно в пространство исходных переменных, а Маклеод (2011) представил процедуры моделирования результатов этой проекции в пространстве PCA. Эти процедуры проектирования и моделирования (немного) сложнее для CVA, чем для BG-PCA, но это не серьезно.

С моей личной точки зрения, обе процедуры имеют свои достоинства и свои ограничения. Если целью является достижение оптимального решения о групповом назначении или проверка гипотез, касающихся морфологических различий, связанных с оптимальным пространством различения между группами, и если размер выборки велик по сравнению с количеством переменных, используемых для определения дискриминанта Анализ CVA оценок PCA должен дать достаточно надежный результат.В качестве альтернативы, если целью является достижение различения между группами при сохранении высокой степени соответствия в результате ординации фундаментальному евклидову или прокрустову характеру данных, и / или если размер выборки невелик по сравнению с количеством переменные, используемые для определения дискриминантного анализа, BG-PCA должен возвращать приемлемый результат. Поскольку оба метода достаточно легко вычислить, благоразумие предлагает использовать оба подхода и сравнивать их результаты для достижения согласия.

Поскольку моя исходная гипотеза о оранжевом морфе и черном морфе включает только две группы, одной дискриминантной оси будет достаточно для проверки нашей гипотезы. На рисунке 9 представлены результаты как BG-PCA, так и CVA в виде частотных гистограмм оценок для набора изображений жуков-божьих коровок, спроецированных на их соответствующие оси дискриминанта.

Рис. 9. Результаты дискриминантного анализа для различения морфов оранжевых и черных божьих коровок. См. Текст для обсуждения.

Как и ожидалось, стандартная CVA оценок PCA дала более окончательный результат с четким разделением между этими двумя предполагаемыми морфами жуков.Результат BG-PCA согласуется с результатом CVA, но гораздо менее разрешен. Действительно, если бы результат BG-PCA был единственным использованным тестом, различие между оранжевыми и черными морфами было бы подтверждено, но характер перехода между ними оставался бы неоднозначным. Возможно, лучший способ концептуализировать связь между этими двумя результатами состоит в том, что результат BG-PCA — это то, что мы увидели бы, если бы могли рассматривать 18-мерное пространство PCA в ориентации, которая наилучшим образом разделяет эти две предполагаемые морфы, тогда как результат CVA (в в данном случае) позволяет нам проделать аналогичную операцию и, в то же время, подержать математическую лупу до критического переходного интервала.Имитационный тест параметрического Монте-Карло с использованием гипотетических случайных наборов данных одинакового размера, но с одинаковыми средствами указывает на то, что проклятие размерности не сыграло значительной роли в определении любого из результатов ординации, показанных на рисунке 9 (см. MacLeod в печати).

Хотя эти результаты не доказывают, что жуки-божьи коровки бывают двух разновидностей, они показывают, что для набора данных, показанного на рисунке 2, мы можем использовать данные, закодированные в цифровых изображениях, для проверки конкретных гипотез относительно характера изменений в морфологическом отношении. сложная выборка организмов, даже если мы не можем обоснованно указать положение перемещаемых ориентиров или контуров границ.Этот метод анализа изображений, вероятно, лучше всего использовать в исследовательском контексте, как способ создания конкретных морфологических гипотез, которые могут быть проверены с использованием более обычных подходов к ориентирам, контурам или ориентирам + контурам. Тем не менее, он представляет собой концептуальную связь между морфометрией и подходами к компьютерному зрению, которые могут иметь широкое применение в биологических науках и, возможно, даже дальше (см. MacLeod et al. 2013).

Чтобы отдать должное, я должен признать, что не был первым, кто придумал использовать цифровые изображения непосредственно в качестве исходных данных для морфометрического анализа.При исследовании этой статьи я наткнулся на похожее приложение, называемое eigenfaces, которое в настоящее время используется в исследованиях биометрического распознавания лиц и когнитивной нейробиологии (см. Сирович и Кирби 1987 г., Тюрк и Пентланд 1991a, b). Подход, который я описываю выше, также имеет определенные исторические сходства с разработкой системы анализа цифровых изображений (DAISY) для обобщенных полуавтоматических систем идентификации образцов (ONeill 2007). Из-за очевидных последствий, которые такая технология имеет для бизнес-секторов безопасности и наблюдения, в настоящее время проводится много первичных исследований по общей проблеме автоматической идентификации объектов.Хотя эта технология еще не оказала существенного влияния на основные таксономические и биологические науки, имеются заманчивые проблески того, на что могут быть способны эти подходы в ближайшем будущем (см. MacLeod 2007). Кроме того, с каждым годом все шире признается необходимость внедрения таких систем в исследовательские программы, основанные на быстрой, точной и последовательной таксономической идентификации (например, MacLeod et al. 2010, Culverhouse et al. 2013).

Как вы можете поэкспериментировать с этой более прямой формой морфологического анализа на основе изображений? Это проще, чем вы думаете.Большинство из нас уже привыкли работать с цифровыми изображениями в наши дни. Многие коммерческие и общедоступные программные пакеты для обработки изображений (например, Photoshop, Graphic Converter, Gimp) имеют возможность изменять пространственное разрешение цифровых изображений, чтобы вы могли контролировать числовые строки и столбцы в пиксельной сетке. Эти же пакеты также позволят вам преобразовать цветное изображение в его оттенки серого или двоичный эквивалент и предоставят вам контроль над настройками экспозиции изображения. Как только ваш набор изображений будет в правильном формате, вам понадобится способ конвертировать ваши изображения в файлы данных ASCII.Более старые версии Photoshop будут делать это, как и Graphic Converter и Mathematica. После преобразования файлов изображений в значения яркости оттенков серого или цвета (RGB) все, что вам нужно сделать, это переформатировать матрицы данных изображений в одну строку значений и собрать их в стандартную матрицу данных, в которой строки представляют образцы и столбцы. пиксельные переменные. Обычно это большая матрица данных с большим количеством столбцов, чем строк. Как только ваши данные будут в этом формате, любая уважаемая программа PCA сможет выполнять предварительный анализ PCA, хотя время выполнения для очень больших наборов данных может быть долгим.Затем можно провести вторичный анализ CVA или BG-PCA на основе предварительных результатов PCA, как описано выше. Все наборы данных и процедуры, использованные в этом эссе, доступны в виде записных книжек Mathematica от меня. Но все этапы анализа могут быть выполнены с помощью программного обеспечения, доступного любому, либо бесплатно, либо за небольшую лицензионную плату (в зависимости от типа компьютера, к которому у вас есть доступ).

Поскольку это будет последнее эссе в серии «Палео-Математика 101», все, что осталось сделать, — это поблагодарить последних трех редакторов Бюллетеня Палеонтологической ассоциации Фила Донохью, Ричарда Твитчетта и Эла Макгоурана за их терпение на протяжении многих лет работы с этой колонкой. публикации, чтобы выразить особую благодарность Нику Страуду (невидимой силе, стоящей за информационным бюллетенем) за его любезное внимание, проявленное с сочувствием к размещению статей в колонке и внесение многочисленных исправлений в последнюю минуту, к которым я склонен, чтобы поблагодарить Марка Саттона за поддержку в этом отношении. к версиям статей в формате pdf и на веб-сайте, чтобы поблагодарить Палеонтологическую ассоциацию в целом за создание форума, на котором могла бы существовать серия статей по такой необычной теме, чтобы поблагодарить всех людей, которые обращались ко мне на протяжении многих лет с вопросами, исправлениями, расширения, запросы, просьбы о совете и т. д.о количественном анализе данных в палеонтологических и биологических науках в результате этих очерков. И последнее, но не менее важное: я должен поблагодарить вас, дорогой читатель, за то, что вы нашли время подумать о том, как количественные формы анализа данных могут быть полезны в ваших текущих исследованиях. Хотя в этой серии статей были подробно рассмотрены только два аспекта анализа палеонтологических данных, я надеюсь, что она продемонстрировала силу и полезность таких подходов в целом.

Когда я начал эту серию в 2004 году, моей целью было написать небольшую серию эссе, которая предоставила бы студентам постдокументы и молодым исследователям своего рода практическое, легкое для понимания обсуждение тонкостей палеонтологических данных. анализ, которого я часто мечтал, когда только начинал в этой области.Мне безмерно понравилось писать каждую из этих колонок, и, основываясь на многочисленных благодарных комментариях, которые я получал на протяжении многих лет от таких читателей, как вы, я доволен тем, что достиг этой цели. Время было потрачено не зря.

Сноски

1 В этом случае данные будут более эффективно представлены в виде набора координат полуосей контура границы, а не в виде координатной сетки выборки.

2 Это аспект того, что я назвал проклятием размерности и обсуждался в нескольких столбцах этой серии.

Ссылки

БЕЛЛМАН Р. Э. 1957. Динамическое программирование. Princeton University Press, Princeton 340 pp.

CULVERHOUSE, P. F., MacLEOD, N., WILLIAMS, R., BENFIELD, M. C., LOPES, R.M. и PICHERAL, M., 2013. Эмпирическая оценка согласованности таксономических определений. Исследования морской биологии, 10, 73-84.

MacLEOD, N. 2004. Проспект и регрессия 1. Информационный бюллетень Палеонтологической ассоциации, 55, 2836.

MacLEOD, N. 2007a. Группы II.Информационный бюллетень Палеонтологической ассоциации, 65, 3649.

MacLEOD, N. 2007b. Автоматизированная идентификация таксонов в систематике: теория, подходы, приложения. CRC Press, Taylor & Francis Group, London 339 pp.

MacLEOD, N. 2009. Форма и модели формы. Информационный бюллетень Палеонтологической ассоциации, 72, 1427.

MacLEOD, N. 2012. Обходя поворот: анализ собственных форм I. Информационный бюллетень Палеонтологической ассоциации, 80, 3248.

MacLEOD, N. 2013. Полусферы и поверхности.Информационный бюллетень Палеонтологической ассоциации, 83, 3751.

MacLEOD, N. в печати. Прямой анализ цифровых изображений (eigenimage) с комментарием об использовании дискриминантного анализа в морфометрии. В LESTREL, P. E. (ed.) Proceedings of the Third International Symposium on Biological Shape Analysis. World Scientific, Сингапур.

MacLEOD, N., BENFIELD, M. и CULVERHOUSE, P. F. 2010. Пора автоматизировать идентификацию. Nature, 467, 154155.

MITTERÖCKER, P. and BOOKSTEIN, F.L. 2011. Линейное различение, ординация и визуализация градиентов отбора в современной морфометрии. Эволюционная биология, 38, 100-114.

ONEILL, M. 2007. DAISY: практический инструмент для полуавтоматической идентификации видов. В Н. Маклауде (ред.). Автоматизированное распознавание таксонов в систематике: теория, подходы и приложения. Тейлор и Фрэнсис, Лондон, 101114 стр.

СИРОВИЧ, Л. и КИРБИ, М. 1987. Процедура низкоразмерной характеристики человеческих лиц.Журнал Оптического общества Америки, A4, 519524.

TURK, M. and PENTLAND, A. 1991a. Распознавание лиц по собственным лицам. Материалы конференции IEEE по компьютерному зрению и распознаванию образов, июнь 1991 г., 586591.

TURK, M. and PENTLAND, A. 1991b. Собственные лица для распознавания. Журнал когнитивной неврологии, 3, 71-86.

Отсутствие изображения в Facebook показывает, как ИИ компании помечает ваши фотографии

Всем известен момент в The Matrix , когда Нео достигает статуса цифрового мессии и внезапно видит «реальность» такой, какая она есть на самом деле: строки замыкающего зеленого кода.

Что ж, благодаря отключению, которое в настоящее время затрагивает Facebook, пользователи социальной сети также получили возможность заглянуть за цифровой занавес: многие изображения на сайте теперь заменены тегами, присвоенными системами машинного зрения компании.

Итак, если вы просматриваете свои загруженные фотографии, вместо праздничных снимков или фотографий еды и друзей вам будет показан текст вроде «изображение может содержать: люди улыбаются, люди танцуют, свадьба и в помещении» или просто «изображение может содержать: cat.

Вкратце: так выглядит ваша жизнь для компьютера. Вот как вас оценивает искусственный интеллект Facebook. Вам стыдно перед всевидящим цифровым оком ?!

Ах да! Я забыл, что Facebook использует машинное обучение, чтобы пометить наши фотографии тем, что он видит на картинке.

Честно говоря, «один человек, борода» в значительной степени точное описание меня. pic.twitter.com/fCpydUxtpz

— Зак Уиттакер (@zackwhittaker) 3 июля 2019 г.

Те же теги изображений отображаются в Instagram, и, помимо подробного описания общих сцен и объектов, они также предлагают , кто находится на фотографии, на основе распознавания лиц Facebook.(Компания делает это для фотографий, на которых вы не отмечены с 2017 года.)

Facebook использует машинное обучение для «чтения» изображений таким образом по крайней мере с апреля 2016 года, и этот проект является важной частью усилий компании по обеспечению доступности. Такие теги используются для описания фото и видео пользователям с нарушениями зрения.

В ваших фотографиях содержится много личных данных, которые AI может извлечь

Неясно, использует ли Facebook эту информацию для таргетинга рекламы.На этих изображениях содержится много данных о жизни пользователей, которые в противном случае они могли бы скрыть от Facebook: есть ли у вас домашнее животное, чем вы увлекаетесь, где вы любите отдыхать, или действительно ли вам нравятся винтажные автомобили. , или мечи, или независимо от .

Еще в 2017 году эти вопросы побудили одного программиста создать расширение Chrome, которое отображало бы эти теги. Как они писали в то время: «Я думаю, что многие пользователи Интернета не осознают, какой объем информации сейчас обычно извлекается из фотографий.”

Некоторые теги менее невероятны. «Удивительно, насколько умными стали системы искусственного интеллекта». — Рассел

Судя по реакции в Твиттере на этот сбой, для многих это, безусловно, новая информация. Мы связались с Facebook, чтобы подтвердить, используют ли они эти данные для таргетинга рекламы, и соответствующим образом обновим эту историю.

Однако, независимо от того, как эта информация используется, это захватывающий взгляд за кулисы одной из крупнейших в мире операций по сбору данных.Это также показывает, в какой степени визуальный мир стал машиночитаемым.

Улучшения в глубоком обучении за последние годы поистине произвели революцию в мире машинного зрения, и визуальный контент в Интернете часто так же удобочитаем для машин, как и текст. Но если что-то становится разборчивым, то, конечно, становится легко хранить, анализировать и извлекать данные. Только когда система выходит из строя, как сегодня, мы понимаем, что это вообще происходит.

Обрезка изображения по размеру

Если вы хотите изменить контур фотографии, чтобы придать ей форму (например, круг или прямоугольник с закругленными углами), используйте инструмент обрезки на ленте.

Вы можете кадрировать до формы в Word, PowerPoint, Outlook или Excel.

Обрезать изображение до формы, например круга

Вы можете быстро изменить форму изображения, обрезав его до определенной формы. Изображение автоматически обрезается, чтобы заполнить геометрию выбранной формы с сохранением ее пропорций.

(Если вы хотите обрезать одно и то же изображение для получения более чем одной формы, сделайте копии изображения и обрежьте каждую до нужной формы по отдельности.)

  1. Используйте Insert > Picture , чтобы добавить изображение в файл Office (например, документ Word, презентацию PowerPoint или сообщение электронной почты Outlook).

  2. Щелкните по картинке.

    Вы можете обрезать несколько изображений одновременно, но вы должны обрезать их до одинаковой формы.(Но в Word это сложно, потому что вы не можете выбрать несколько изображений, для которых по умолчанию используется вариант макета In Line with Text .)

  3. Щелкните Работа с рисунками > Формат и в группе Размер щелкните стрелку под Обрезать .

  4. В появившемся меню выберите Обрезать до формы , а затем щелкните фигуру, до которой нужно обрезать.

    Форма сразу же применяется к изображению.

  5. Затем используйте Crop > Fit или Crop > Fill , чтобы изменить размер изображения в пределах формы, которую вы применили:

    • Заливка Заполняет всю форму изображением.Некоторые внешние края изображения могут быть обрезаны. По краям фигуры не останется пустого места.

    • По размеру Умещает все изображение в пределах формы с сохранением исходного соотношения сторон изображения. По краям фигуры может быть пустое пространство.

      (Черные метки обрезки появляются по краям и углам изображения, когда вы выбираете параметр «По размеру» или «Заливка».)

  6. Вы можете отрегулировать положение изображения в кадре, выбрав изображение и перетащив его в нужное место. Например, это может помочь вам центрировать наиболее важную часть изображения внутри формы, которую вы применили к изображению.

  7. Обрежьте поля изображения, перетащив черный маркер кадрирования следующим образом:

    Описание

    Действие

    Обрезка односторонняя

    Потяните внутрь за боковую ручку обрезки

    Обрезать две смежные стороны одновременно

    Перетащите внутрь угловую ручку обрезки

    Равномерная обрезка сразу с двух параллельных сторон

    Нажмите и удерживайте Ctrl, перетаскивая внутрь боковой маркер обрезки

  8. Нажмите кнопку Crop еще раз, когда закончите.

Начните с фигуры и добавьте к ней изображение

Вы можете добавить рисунок в качестве заливки для фигуры, а затем отредактировать или обрезать фигуру.

Добавить изображение к фигуре
  1. Добавьте фигуру в документ (инструкции см. В разделе Добавление фигур) и щелкните фигуру, чтобы выбрать ее.

  2. Щелкните Инструменты рисования > Формат и в группе Стили фигур щелкните Заливка формы > Изображение .

  3. Выберите нужный тип изображения (например, Из файла или Онлайн-изображения ), а затем перейдите к нужному изображению и вставьте его.

Изменить размер фигуры

Чтобы изменить размеры заполненной фигуры при сохранении ее основного формата, выберите ее и перетащите любой из маркеров изменения размера.

Выберите, как изображение вписывается в форму

Если ваше изображение перекошено, обрезано или не заполняет форму нужным вам образом, используйте инструменты Fit и Fill в меню Crop для точной настройки:

  1. Щелкните фигуру, созданную с помощью Заливка формы > Рисунок .

  2. Щелкните Работа с рисунками > Формат и в группе Размер щелкните стрелку под Обрезать . Появится меню с параметрами обрезки.

    • Выберите Fit , если вы хотите, чтобы все изображение соответствовало форме; исходное соотношение сторон изображения будет сохранено, но внутри вашей фигуры может быть пустое пространство.

    • Выберите Заливка , чтобы форма поместилась в границах изображения, обрезая все, что находится за пределами формы.

  3. Щелкните Заполните или Установите .

    • Заливка устанавливает размер изображения в соответствии с высотой или шириной фигуры, в зависимости от того, что больше.Это заполняет фигуру изображением, удаляя все, что находится за периметром фигуры.

    • Fit устанавливает размер изображения таким образом, чтобы высота и ширина изображения совпадали с границами фигуры. Это поместит как можно большую часть изображения в форму, но некоторые области фигуры могут остаться пустыми.

      Вы можете перетащить изображение, чтобы изменить отображаемую часть в форме.

  4. При желании отрегулируйте область кадрирования с помощью ручек кадрирования, как описано в разделе «Обрезка изображения».

  5. Когда вы закончите, нажмите Esc или щелкните в любом месте документа за пределами изображения.

Используйте точки редактирования для редактирования или обрезки формы

Хотя инструменты обрезки недоступны для фигур, вы можете использовать инструмент Редактировать точки для редактирования формы вручную.

  1. Выберите форму, которую хотите отредактировать.

  2. Нажмите Инструменты рисования > Формат и в группе Вставить фигуры нажмите кнопку Редактировать фигуру , затем нажмите Редактировать точки .

  3. Перетаскивайте точки вершин фигуры (которые отображаются в виде черных точек по периметру фигуры), пока форма не будет выглядеть так, как вы хотите.

  4. Чтобы удалить точку вершины, удерживайте Ctrl и щелкните по ней. Чтобы добавить точку вершины, удерживайте Ctrl, одновременно щелкая в любом месте периметра фигуры, на которой еще нет точки вершины.

Если вы хотите изменить контур фотографии, чтобы придать ей форму (например, круг или прямоугольник с закругленными углами), используйте инструмент обрезки на ленте.

Вы можете кадрировать до формы в Word, PowerPoint или Excel.

Обрезка до определенной формы

Быстро меняйте форму изображения, обрезая его до определенной формы.Изображение автоматически обрезается, чтобы заполнить геометрию выбранной формы с сохранением ее пропорций.

Если вы хотите обрезать одно и то же изображение для получения более чем одной формы, сделайте копии изображения и обрежьте каждую до нужной формы по отдельности.

  1. Используйте Insert > Picture , чтобы добавить изображение в файл Office (например, документ Word, презентацию PowerPoint или книгу Excel).

  2. В вашем файле выберите изображение, которое вы хотите обрезать.

  3. На вкладке Формат изображения щелкните стрелку рядом с Обрезать .

    (Если вы не видите вкладку Формат изображения , убедитесь, что вы выбрали изображение (а не фигуру).)

  4. Наведите курсор на Обрезать до фигуры и затем щелкните фигуру, до которой нужно обрезать.

    Форма сразу же применяется к изображению.

  5. Если вы хотите изменить форму, нажмите кнопку Crop еще раз на ленте.

    По краям и углам изображения появляются черные метки обрезки.

  6. Обрежьте изображение, перетащив любой маркер кадрирования внутрь. Если вы перетащите один из угловых маркеров, он обрежет две смежные стороны одновременно.

Обрезать по форме или заполнить ее

После того, как вы добавили изображение к фигуре, вы можете выбрать, как изображение вписывается в форму, используя инструменты Fit и Fill для точной настройки.

  1. В вашем файле выберите изображение, которое вы хотите в форме.

  2. На вкладке Формат изображения щелкните стрелку рядом с Обрезать .

    Если вы не видите вкладку Формат изображения , убедитесь, что вы выбрали изображение (а не фигуру).

  3. Щелкните Fill или Fit , а затем щелкните за пределами изображения.

    Опция

    Описание

    Заливка

    Удаляет (или «обрезает») часть изображения, но все равно заполняет всю форму.

    Подходит

    Умещает все изображение в форме.Исходное соотношение сторон изображения сохраняется, но внутри фигуры может быть пустое пространство.

Обрезка до определенной формы

Быстрый способ изменить форму изображения — обрезать его до определенной формы.При кадрировании до определенной формы изображение автоматически обрезается, чтобы заполнить геометрию формы. Пропорции рисунка сохранены.

  1. В вашем файле выберите изображение, которое вы хотите обрезать до определенной формы.

  2. Щелкните вкладку Формат изображения .

    (Если вы не видите вкладку Формат изображения , убедитесь, что вы выбрали изображение (а не фигуру).)

  3. В разделе Настроить щелкните стрелку рядом с Обрезать , укажите на Маска в фигуру , укажите тип фигуры и затем щелкните фигуру, по которой вы хотите обрезать изображение.

    Форма сразу же применяется к изображению.

  4. Если вы хотите изменить форму, нажмите кнопку Crop еще раз на ленте.

    По краям и углам изображения появляются черные метки обрезки.

  5. Перетащите маркеры обрезки по мере необходимости, чтобы обрезать поля изображения, а затем щелкните за пределами изображения.

  6. Когда вы закончите, щелкните за пределами изображения.

Обрезать по форме или заполнить ее

После того, как вы добавили изображение к фигуре, вы можете выбрать, как изображение вписывается в форму, используя инструменты Crop to Fit и Crop to Fill для точной настройки.

  1. Щелкните изображение, которое вы хотите внутри фигуры.

  2. Щелкните вкладку Формат изображения .

    (Если вы не видите вкладку Формат изображения , убедитесь, что вы выбрали свое изображение.)

  3. Под Adjust щелкните стрелку рядом с Crop , щелкните Crop to Fill or Crop to Fit , а затем щелкните за пределами изображения:

    Опция

    Описание

    Обрезка до заполнения

    Удаляет (или «обрезает») часть изображения, но все равно заполняет всю форму.

    Обрезать по размеру

    Умещает все изображение в форме. Исходное соотношение сторон изображения сохраняется, но внутри фигуры может быть пустое пространство.

  4. Когда вы закончите, нажмите ESC.

Поместить изображение внутрь фигуры

Word для Интернета и PowerPoint для Интернета имеют быстрые параметры стиля рисунка, которые позволяют применить к рисунку предопределенную форму.Доступные формы включают три разных овала и несколько прямоугольников.

Таким образом, хотя в этих приложениях нет функции «кадрирования по форме», которая есть в настольных приложениях, вы все равно можете применять эти базовые формы к изображению, как описано ниже:

  1. Вставьте изображение в документ. (Выберите Вставить > Изображение , а затем перейдите к изображению, которое вы хотите использовать.)

  2. Выбрав изображение на холсте, выберите вкладку Изображение на ленте, а затем откройте галерею Стили изображения :

  3. Выберите форму, чтобы применить ее к изображению.

  4. После того, как форма будет применена, вы можете изменить ее размер по мере необходимости.

.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *

2019 © Все права защищены. Карта сайта