Практическое занятие №8. Графический анализ.
1) Сравните результаты из кластеризации и Image Grid. Есть ли между ними разница? Если да, то какая модель на ваш взгляд точнее?
Голубой кластер: Включает "рыжую кошку", "белый кот", "пушистая кошка" и другие светлые/рыжие названия.
Красный кластер: Включает "черный кот", "любит черный кот", "любой черный кот" и другие темные названия.
Image Grid:
Какая модель точнее?
На мой взгляд, Кластеризация является точной, потому что ее математическое разделение очень хорошо совпадает с тем, как мы видим эти изображения:
Светлые/рыжие коты (синий кластер) визуально собраны вместе.
Темные/черные коты (красный кластер) визуально собраны вместе.
2) Опишите, что за фото вы брали для анализа. Почему, на ваш взгляд, они разделились именно на такие группы? Согласны ли вы с такой логикой разделения?
Для анализа я брала фотографии кошек, используя названия файлов, соответствующие их окрасу или виду, такие как "рыжая кошка", "белый кот", "черный кот". Всего в моем наборе 12 фото.
Почему они разделились именно на такие группы?
Наиболее вероятная причина, по которой фотографии разделились на две основные группы (синюю и красную), - это цвет или яркость изображений.
Группа 1 (Верхняя часть сетки): Собраны светлые и рыжие коты. Алгоритм распознал эти цвета как более похожие друг на друга по сравнению с темными котами.
Группа 2 (Нижняя часть сетки): Собраны черные и темные коты.
Самым доминирующим и легко различимым признаком, судя по результатам, оказался общий цвет окраса.
Согласна ли я с такой логикой разделения?
Да, с такой логикой разделения я согласна.
Разделение по цвету (светлые vs. темные) является наиболее очевидным и сильным признаком сходства для большинства алгоритмов машинного зрения, основанных на визуальных характеристиках.
Если бы моя цель заключалась в том, чтобы разделить котов по окрасу, то алгоритм сработал очень логично и успешно.
