#ground truth

Ever since I heard that term, I've interpreted it like 'ground beef' instead, and need to actively remind myself that this isn't right.

DARPA’s High-speed Optimized Handling of Holiday Operations (HO HO HO) initiative is celebrating its fourth anniversary this year, and the Agency is proud to continue its tradition of sharing breakthrough technologiesto help Santa Claus and his elves more quickly and efficiently complete their holiday duties. This year, Santa and his North Pole crew have been granted special access to research…

In this post I am going to summarize and bring sources to start understanding practical approach to Machine Learning.  You can Follow this series of posts or follow me on Facebook tech page.

* Ground truth  ?? 

The ground truth is what you measured for your target variable for the training and testing examples. 

Nearly all the time you can safely treat this the same as the label.  

* Building a model - meaning we need to define the goal of the coding.

For instance recognize where this shirt is from is different from recognize that the man is wearing a shirt.

The geographic location matters - for instance the Europe and USA clothing items and trends will be different,

We need to train a network with new data, for instance images - it’s called -  Convolutional Neural Network , or shortly CNN.

How Convolutional Neural Networks work

CNN trains with a lot of data .

למידה עמוקה (Deep Learning) היא ענף של למידת מכונה (Machine Learning), והיא נושא מאוד חם בימינו.

הטכניקה הזו, למידה עמוקה, יכולה ללמוד ייצוגים שימושיים של פיצ'רים ישירות מתוך תמונות, טקסטים וקול – דבר המקנה לה יתרונות רבים.

הלמידה הנ"ל מתבצעת באמצעות שימוש ב-Convolutional Neural Network – או בקיצור – CNN – שזה סוג של רשת עצבית.

ה-CNN מאומנת עם אוסף גדול של מידע, אשר בעזרתו הרשת לומדת ייצוגים עשירים של פיצ'רים, אשר מניבים ברוב המקרים תוצאות טובות יותר מאלה שמניבים הפיצ'רים המסורתיים.

ה-CNN מאומנת עם אוסף גדול של מידע, אשר בעזרתו הרשת לומדת ייצוגים עשירים של פיצ'רים, אשר מניבים ברוב המקרים תוצאות טובות יותר מאלה שמניבים הפיצ'רים המסורתיים.  

שימוש ב-CNN בתור מחלץ פיצ’רים

נניח שאנחנו רוצים לסווג תמונה לאחת מבין אופציות כמו כלב, ילד, אופניים וכו'. הגישה הסטנדרטית של למידת מכונה היא קודם כל לחלץ פיצ'רים מעניינים מתוך התמונה – כמו edge-ים, פילוג צבעים וכדומה – וזה שלב הכרחי כיוון שאלגוריתמי לימוד מכונה סטנדרטים לא יודעים לפעול ישירות על תמונה, הם מתעלמים לחלוטין מהמבנה של תמונה. בשלב הבא – מתבצע הסיווג של התמונה, בעזרת מסווג אשר נבנה קודם לכן על סמך תמונות האימון.

בגישה של למידה עמוקה, לעומת זאת, נותנים לאלגוריתם ללמוד את הפיצ'רים אוטומטית מתוך התמונות, מפיצ'רים Low Level גנריים כמו edge-ים ופינות, ועד לפיצ'רים ספציפיים לבעיה. כלומר, אלגוריתמי הלמידה העמוקה לא יודעים לבצע רק את הסיווג, אלא הם גם יודעים ללמוד כיצד לחלץ פיצ'רים ישירות מתוך התמונות, וכך הם חוסכים את הצורך בחילוץ ידני של הפיצ'רים, ובעצם מממשים למידה מקצה לקצה (End to End).

קישור לכתבה

* We need to have a scope of images with and the algorithm will learn from it to recognize the items. For instance - http://mmlab.ie.cuhk.edu.hk/projects/DeepFashion.html  

Category and Attribute Prediction Benchmark evaluates the performance of clothing category and attribute prediction

In-shop Clothes Retrieval Benchmark evaluates the performance of in-shop Clothes Retrievel. This is a large subset of DeepFashion, containing large pose and scale variations. It also has large diversities, large quantities, and rich annotations,

Consumer-to-shop Clothes Retrieval Benchmark evaluates the performance of consumer-to-shop Clothes Retrievel. This is a large subset of DeepFashion, containing cross-domain correspondences and variations in the wild.

Fashion Landmark Detection Benchmark evaluates the performance of fashion landmark detection. This is a large subset of DeepFashion, with diverse and large pose/zoom-in variations.

We can donwload and use those images to train our algrithm in many capacities..

Trainig data is pretty well here.

Benchmarks

For more details of the benchmarks, please refer to the paper,

DeepFashion: Powering Robust Clothes Recognition and Retrieval with Rich Annotations, CVPR 2016.

1. Category and Attribute Prediction Benchmark:

[Download Page]

Category and Attribute Prediction Benchmark

2. In-shop Clothes Retrieval Benchmark:

[Download Page]

In-shop Clothes Retrieval Benchmark

3. Consumer-to-shop Clothes Retrieval Benchmark:

[Download Page]

Consumer-to-shop Clothes Retrieval Benchmark

4. Fashion Landmark Detection Benchmark:

[Download Page]

Fashion Landmark Detection Benchmark

* Algorithms

כולל PYTHON, KERAS" TENSOR

Suggested way to go - install Anacodna which will includes the relevant software.

https://docs.continuum.io/anaconda/install/windows

Should check this also.

https://medium.com/learning-machine-learning/getting-tensorflow-theano-and-keras-on-windows-70c18f2c533b

*Relevant examples -

So if we want to match styles and products together , Indico company made a limited test to make a suggestion and matching between items - like top and pants. Although they talk about the limitness of their model , if we would take an individual this model could work for day in day out adviser of what actually to put on before we leave for work/event etc..

https://www.youtube.com/watch?v=Ikg1xNdabFo&t=180s

Tensor Flow -  Build a TensorFlow Image Classifier in 5 Min

https://www.youtube.com/watch?v=QfNvhPx5Px8

The code from the video

TensorFlow for Poets