![\"Katze\"](\"https:\/\/images.iphone-ticker.de\/wp-content\/uploads\/2016\/12\/katze.gif\")
<\/a><\/p>\nWer etwa h\u00e4ufig seine Katze fotografiert, kann in das Suchfeld der (mobilen) Fotos.app nun einfach das Stichwort \u201eKatze\u201c eintragen und bekommt alle Bilder angezeigt, die Apples Algorithmen entsprechend erkannt haben.<\/p>\n
Insgesamt versteht sich die Fotos.app auf die Zuordnung von fast 5000 Objekten<\/a> – in Deutschland weder momentan 4993 W\u00f6rter und Wortgruppen wie etwa \u201e17 und 4\u201c, \u201eK\u00fcrbislaterne\u201c und \u201eTapioca-Perle\u201c verstanden und erkannt.<\/p>\n Doch wie trainiert Apple seinen Algorithmus, der ausschlie\u00dflich auf den Ger\u00e4ten der Anwender arbeitet und auf die Verbindung bzw. einen R\u00fcckkanal zu einem „allwissenden“ Server verzichtet?<\/p>\n Eine Frage, die Apples Ingenieure nun in dem Paper „Learning from Simulated and Unsupervised Images through Adversarial Training“ adressieren.<\/p>\n In dem 16 Seiten starken Paper<\/a> der sechs Wissenschaftler Ashish Shrivastava, Tomas Pfister, Oncel Tuzel, Josh Susskind, Wenda Wang und Russ Webb erkl\u00e4rt Apples Entwickler-Team, dass man in Cupertino nicht nur auf Bibliotheken von Beispiel-Bilder setzt, sondern auch computergenerierte „Fotos“ nutzt, um die eigenen Algorithmen kontinuierlich zu verbessern.<\/p>\n Eine Lern-Methode, die auf h\u00e4ndisch gekennzeichnete Bilder verzichten kann und so in der Lage ist unendlich viele Beispiel-Bilder zu bekannten Themen zu generieren, die vor ihrem Gebrauch nicht manuell beschriftet (etwa: „auf diesem Bild ist ein Hund, ein Fahrrad und eine wei\u00dfe Wand zu sehen“) werden m\u00fcssen.<\/p>\nSchnelleres Training mit computergenerierten Bilder<\/h2>\n
<\/a><\/p>\nEingest\u00e4ndnis an hauseigenes Forschungsteam<\/h2>\n