{"id":8636,"date":"2023-12-26T11:31:00","date_gmt":"2023-12-26T11:31:00","guid":{"rendered":"https:\/\/dailyai.com\/?p=8636"},"modified":"2023-12-26T11:31:00","modified_gmt":"2023-12-26T11:31:00","slug":"pigeon-ai-model-knows-where-you-took-that-photo","status":"publish","type":"post","link":"https:\/\/dailyai.com\/de\/2023\/12\/pigeon-ai-model-knows-where-you-took-that-photo\/","title":{"rendered":"PIGEON AI-Modell wei\u00df, wo Sie das Foto gemacht haben"},"content":{"rendered":"

Forscher der Universit\u00e4t Stanford haben KI-Modelle entwickelt, die mit bemerkenswerter Genauigkeit erkennen k\u00f6nnen, wo ein Foto aufgenommen wurde. Es gibt gute Anwendungsf\u00e4lle f\u00fcr ihre L\u00f6sung, aber es m\u00fcssen auch wichtige ethische Fragen gekl\u00e4rt werden.<\/strong><\/p>\n

Wenn auf Ihrem Urlaubsfoto der Eiffelturm oder der Mount Rushmore zu sehen ist, ist es ziemlich einfach zu erkennen, wo das Foto aufgenommen wurde. Wenn das Foto auf einem Feld in Illinois mit einem zuf\u00e4lligen Baum im Hintergrund aufgenommen wurde, ist es viel schwieriger, den Ort zu bestimmen.<\/p>\n

Das ist genau die Art von Herausforderung, die mehr als 50 Millionen Spieler des GeoGuessr<\/a> Spiel genie\u00dfen.<\/p>\n

Drei Forscher der Stanford University waren begeisterte Spieler und wollten herausfinden, wie KI-Modelle gegen die besten menschlichen Spieler abschneiden w\u00fcrden.<\/p>\n

Sie begannen mit einem neuronalen Netzwerk namens CLIP, das von OpenAI entwickelt wurde, als Grundlage f\u00fcr zwei verschiedene Modelle zur Geolokalisierung von Bildern.<\/p>\n

Das erste Modell, Predicting Image Geolocations (PIGEON), wurde anhand eines Datensatzes von rund 100.000 Orten aus dem Spiel GeoGuessr trainiert. F\u00fcr jeden Standort wurde PIGEON ein 360-Grad-Panorama aus vier Google Street View-Bildern zur Verf\u00fcgung gestellt.<\/p>\n

Das zweite Modell, Predicting Image Geolocations with Omni-Terrain Training Optimizations (PIGEOTTO), wurde ausschlie\u00dflich auf mehr als 4 Millionen georeferenzierten Flickr-Bildern aus der ganzen Welt trainiert.<\/p>\n

Bei einem Google Street View-Bild eines beliebigen Ortes auf der Welt konnte PIGEON in 95% der F\u00e4lle das Land richtig erraten und in etwas mehr als 40% der F\u00e4lle den Ort innerhalb von 16 Meilen bestimmen.<\/p>\n

Die Forscher lie\u00dfen PIGEON dann gegen die besten GeoGuessr-Spieler antreten, wo es sie mit deutlichem Vorsprung besiegte.<\/p>\n

\"\"
PIGEONs Geolokalisierungs-Distanzfehler gegen menschliche GeoGuessr-Spieler unterschiedlicher Spielst\u00e4rke in 458 Mehrrunden-Matches. Die Champion Division besteht aus den besten 0,01% der Spieler. Quelle: arXiv<\/figcaption><\/figure>\n

PIGEOTTO, ein st\u00e4rker verallgemeinertes Modell, schlug die aktuellen State-of-the-Art-Modelle bei Geolokalisierungs-Benchmark-Datens\u00e4tzen mit gro\u00dfem Abstand.<\/p>\n

Als PIGEON gegen Trevor Rainbolt antrat, der als einer der besten Geoguesser gilt, hat es ihn mehrmals geschlagen. Das erinnert ein wenig an Deep Blue, der 1997 Gary Kasparov im Schach besiegte.<\/p>\n

\n

Wir haben eine KI gebaut, um gegen den weltbesten GeoGuessr-Spieler anzutreten und haben gewonnen! \ud83d\udd0e\ud83c\udf0d\ud83c\udfc6<\/p>\n

Unter @geoguessr<\/a>>50 Millionen Spieler wetteifern darum, anhand einer zuf\u00e4lligen Position auf Google Street View zu erraten, wo sie sich befinden. \ud83d\uddfa\ufe0f<\/p>\n

Danke @georainbolt<\/a> f\u00fcr die lustige Herausforderung!https:\/\/t.co\/g7tIeUELz5<\/a><\/p>\n

- Lukas Haas (@lkshaas) 13. Mai 2023<\/a><\/p><\/blockquote>\n