Не сложные рисунки ручкой: Картинки ручкой легкие – 73 фото

Как сделать себе фингал?

Ответы (1)

zacharovannaya

13.04.2023

Фингал – это устройство для удержания предметов во время работы руками. Сделать фингал можно самостоятельно из подручных материалов.

1. Подготовьте материалы: кусочек кожи или ткани, нитки, иглу, ножницы.

2. Нарисуйте на куске кожи или ткани форму фингала, учитывая размер вашего пальца.

3. Вырежьте форму ножницами.

4. Сложите форму пополам и зашейте ее по краям ниткой и иглой, образуя трубку.

5. Наденьте фингал на палец и проверьте, что он удобно сидит и плотно держит предметы.

6. Если фингал оказался слишком большим или маленьким, поправьте его размеры и повторите шаги 2-4.

Готовый фингал можно использовать для удержания иглы при шитье, для работы с мелкими деталями, для защиты пальца от повреждений и т.д.

Популярные вопросы в категории спорт и отдых

JJ

10.04.2023

Каково значение волейбола для физического развития занимающихся?

fpaul

10. 04.2023

Какие качества характера развивает в человеке спорт?

Swore

10.04.2023

Какие виды упражнений входят в легкую атлетику?

Gravizapa

10.04.2023

Сколько шагов в 1 км?

Sai

13.04.2023

Как определить толчковую ногу?

skorpio

11.04.2023

Под каким номером играет салах?

milayleila

13.04.2023

Как считать очки в хоккее?

pasch

10.04.2023

Паралимпийские игры проводятся с какого года?

Piero

10.04.2023

Кто является первым известным олимпиком?

Hartzstyle

13.04.2023

Как сделать себе фингал?

PSveta911

13.04.2023

Пенальти какой род?

wanki

13. 04.2023

В каких городах россии проводились олимпийские игры?

Yastochka

11.04.2023

Как называется палка для бильярда?

ghostRider

12.04.2023

Что такое ufc расшифровка?

YaMMyYaMMy

13.04.2023

Как накачать вены?

lelia511

10.04.2023

Опытный пловец как пишется?

skopus

13.04.2023

Как пробежать 100 метров за 13 секунд?

DOBraYa-PoRohavaYa

10.04.2023

Какой самый скоростной лыжный ход?

MissUkraine

12.04.2023

Как называют вратаря в футболе?

Sergio100

12.04.2023

Как называется стрела для арбалета?

Новые вопросы в категории спорт и отдых

PSveta911

13. 04.2023

Пенальти какой род?

Yanochka107

11.04.2023

Кто придумал пуш ап?

Lisen

11.04.2023

Сколько по времени идет регби?

Mistrezz

12.04.2023

Какая спортивная команда представляла добровольное общество профсоюзов?

MasaY

12.04.2023

Как переводится шнеля?

Samaja-Zvezdataja-Zvezda

11.04.2023

Зимняя серия игр что где когда 2021?

Jaka

10.04.2023

Балерина мужского рода как называется?

Yastochka

11.04.2023

Как называется палка для бильярда?

WG

10.04.2023

Кто мог участвовать в олимпийских играх?

Frezee

11.04.2023

Как пройти 20?

LekSon

12. 04.2023

Как научиться жонглировать 2 мячами одной рукой?

ZloZavr

11.04.2023

Почему нельзя переступать через штангу в спортзале?

Insait

12.04.2023

Сколько раз олимпийские игры проводились в россии?

100mb

12.04.2023

Как пройти 100?

igor7711

12.04.2023

Когда проводились олимпийские игры в россии?

ALeena

12.04.2023

Арбитр кто это?

VasR

10.04.2023

Какие дисциплины включал пентатлон?

girlfromdreams

13.04.2023

Сколько длится баскетбольный матч с перерывами?

wanki

13.04.2023

В каких городах россии проводились олимпийские игры?

NooNoo

13. 04.2023

Что такое ранеры?

Нейронные сети: практическое применение / Хабр

Наталия Ефремова погружает публику в специфику практического использования нейросетей. Это — расшифровка доклада Highload++.

Добрый день, меня зовут Наталия Ефремова, и я research scientist в компании NtechLab. Сегодня я буду рассказывать про виды нейронных сетей и их применение.

Сначала скажу пару слов о нашей компании. Компания новая, может быть многие из вас еще не знают, чем мы занимаемся. В прошлом году мы выиграли состязание MegaFace. Это международное состязание по распознаванию лиц. В этом же году была открыта наша компания, то есть мы на рынке уже около года, даже чуть больше. Соответственно, мы одна из лидирующих компаний в распознавании лиц и обработке биометрических изображений.

Первая часть моего доклада будет направлена тем, кто незнаком с нейронными сетями. Я занимаюсь непосредственно deep learning. В этой области я работаю более 10 лет. Хотя она появилась чуть меньше, чем десятилетие назад, раньше были некие зачатки нейронных сетей, которые были похожи на систему deep learning.

В последние 10 лет deep learning и компьютерное зрение развивались неимоверными темпами. Все, что сделано значимого в этой области, произошло в последние лет 6.

Я расскажу о практических аспектах: где, когда, что применять в плане deep learning для обработки изображений и видео, для распознавания образов и лиц, поскольку я работаю в компании, которая этим занимается. Немножко расскажу про распознавание эмоций, какие подходы используются в играх и робототехнике. Также я расскажу про нестандартное применение deep learning, то, что только выходит из научных институтов и пока что еще мало применяется на практике, как это может применяться, и почему это сложно применить.

Доклад будет состоять из двух частей. Так как большинство знакомы с нейронными сетями, сначала я быстро расскажу, как работают нейронные сети, что такое биологические нейронные сети, почему нам важно знать, как это работает, что такое искусственные нейронные сети, и какие архитектуры в каких областях применяются.

Сразу извиняюсь, я буду немного перескакивать на английскую терминологию, потому что большую часть того, как называется это на русском языке, я даже не знаю. Возможно вы тоже.

Итак, первая часть доклада будет посвящена сверточным нейронным сетям. Я расскажу, как работают convolutional neural network (CNN), распознавание изображений на примере из распознавания лиц. Немного расскажу про рекуррентные нейронные сети recurrent neural network (RNN) и обучение с подкреплением на примере систем deep learning.

В качестве нестандартного применения нейронных сетей я расскажу о том, как CNN работает в медицине для распознавания воксельных изображений, как используются нейронные сети для распознавания бедности в Африке.

Прототипом для создания нейронных сетей послужили, как это ни странно, биологические нейронные сети. Возможно, многие из вас знают, как программировать нейронную сеть, но откуда она взялась, я думаю, некоторые не знают. Две трети всей сенсорной информации, которая к нам попадает, приходит с зрительных органов восприятия.

Более одной трети поверхности нашего мозга заняты двумя самыми главными зрительными зонами — дорсальный зрительный путь и вентральный зрительный путь.

Дорсальный зрительный путь начинается в первичной зрительной зоне, в нашем темечке и продолжается наверх, в то время как вентральный путь начинается на нашем затылке и заканчивается примерно за ушами. Все важное распознавание образов, которое у нас происходит, все смыслонесущее, то что мы осознаём, проходит именно там же, за ушами.

Почему это важно? Потому что часто нужно для понимания нейронных сетей. Во-первых, все об этом рассказывают, и я уже привыкла что так происходит, а во-вторых, дело в том, что все области, которые используются в нейронных сетях для распознавания образов, пришли к нам именно из вентрального зрительного пути, где каждая маленькая зона отвечает за свою строго определенную функцию.

Изображение попадает к нам из сетчатки глаза, проходит череду зрительных зон и заканчивается в височной зоне.

В далекие 60-е годы прошлого века, когда только начиналось изучение зрительных зон мозга, первые эксперименты проводились на животных, потому что не было fMRI. Исследовали мозг с помощью электродов, вживлённых в различные зрительные зоны.

Первая зрительная зона была исследована Дэвидом Хьюбелем и Торстеном Визелем в 1962 году. Они проводили эксперименты на кошках. Кошкам показывались различные движущиеся объекты. На что реагировали клетки мозга, то и было тем стимулом, которое распознавало животное. Даже сейчас многие эксперименты проводятся этими драконовскими способами. Но тем не менее это самый эффективный способ узнать, что делает каждая мельчайшая клеточка в нашем мозгу.

Таким же способом были открыты еще многие важные свойства зрительных зон, которые мы используем в deep learning сейчас. Одно из важнейших свойств — это увеличение рецептивных полей наших клеток по мере продвижения от первичных зрительных зон к височным долям, то есть более поздним зрительным зонам. Рецептивное поле — это та часть изображения, которую обрабатывает каждая клеточка нашего мозга. У каждой клетки своё рецептивное поле. Это же свойство сохраняется и в нейронных сетях, как вы, наверное, все знаете.

Также с возрастанием рецептивных полей увеличиваются сложные стимулы, которые обычно распознают нейронные сети.

Здесь вы видите примеры сложности стимулов, различных двухмерных форм, которые распознаются в зонах V2, V4 и различных частях височных полей у макак. Также проводятся некоторое количество экспериментов на МРТ.

Здесь вы видите, как проводятся такие эксперименты. Это 1 нанометровая часть зон IT cortex’a мартышки при распознавании различных объектов. Подсвечено то, где распознается.

Просуммируем. Важное свойство, которое мы хотим перенять у зрительных зон — это то, что возрастают размеры рецептивных полей, и увеличивается сложность объектов, которые мы распознаем.

До того, как мы научились это применять к компьютерному зрению — в общем, как такового его не было. Во всяком случае, оно работало не так хорошо, как работает сейчас.

Все эти свойства мы переносим в нейронную сеть, и вот оно заработало, если не включать небольшое отступление к датасетам, о котором расскажу попозже.

Но сначала немного о простейшем перцептроне. Он также образован по образу и подобию нашего мозга. Простейший элемент напоминающий клетку мозга — нейрон. Имеет входные элементы, которые по умолчанию располагаются слева направо, изредка снизу вверх. Слева это входные части нейрона, справа выходные части нейрона.

Простейший перцептрон способен выполнять только самые простые операции. Для того, чтобы выполнять более сложные вычисления, нам нужна структура с большим количеством скрытых слоёв.

В случае компьютерного зрения нам нужно еще больше скрытых слоёв. И только тогда система будет осмысленно распознавать то, что она видит.

Итак, что происходит при распознавании изображения, я расскажу на примере лиц.

Для нас посмотреть на эту картинку и сказать, что на ней изображено именно лицо статуи, достаточно просто. Однако до 2010 года для компьютерного зрения это было невероятно сложной задачей. Те, кто занимался этим вопросом до этого времени, наверное, знают насколько тяжело было описать объект, который мы хотим найти на картинке без слов.

Нам нужно это было сделать каким-то геометрическим способом, описать объект, описать взаимосвязи объекта, как могут эти части относиться к друг другу, потом найти это изображение на объекте, сравнить их и получить, что мы распознали плохо. Обычно это было чуть лучше, чем подбрасывание монетки. Чуть лучше, чем chance level.

Сейчас это происходит не так. Мы разбиваем наше изображение либо на пиксели, либо на некие патчи: 2х2, 3х3, 5х5, 11х11 пикселей — как удобно создателям системы, в которой они служат входным слоем в нейронную сеть.

Сигналы с этих входных слоёв передаются от слоя к слою с помощью синапсов, каждый из слоёв имеет свои определенные коэффициенты. Итак, мы передаём от слоя к слою, от слоя к слою, пока мы не получим, что мы распознали лицо.

Условно все эти части можно разделить на три класса, мы их обозначим X, W и Y, где Х — это наше входное изображение, Y — это набор лейблов, и нам нужно получить наши веса. Как мы вычислим W?

При наличии нашего Х и Y это, кажется, просто. Однако то, что обозначено звездочкой, очень сложная нелинейная операция, которая, к сожалению, не имеет обратной. Даже имея 2 заданных компоненты уравнения, очень сложно ее вычислить. Поэтому нам нужно постепенно, методом проб и ошибок, подбором веса W сделать так, чтобы ошибка максимально уменьшилась, желательно, чтобы стала равной нулю.

Этот процесс происходит итеративно, мы постоянно уменьшаем, пока не находим то значение веса W, которое нас достаточно устроит.

К слову, ни одна нейронная сеть, с которой я работала, не достигала ошибки, равной нулю, но работала при этом достаточно хорошо.

Перед вами первая сеть, которая победила на международном соревновании ImageNet в 2012 году. Это так называемый AlexNet. Это сеть, которая впервые заявила о себе, о том, что существует convolutional neural networks и с тех самых пор на всех международных состязаниях уже convolutional neural nets не сдавали своих позиций никогда.

Несмотря на то, что эта сеть достаточно мелкая (в ней всего 7 скрытых слоёв), она содержит 650 тысяч нейронов с 60 миллионами параметров. Для того, чтобы итеративно научиться находить нужные веса, нам нужно очень много примеров.

Нейронная сеть учится на примере картинки и лейбла. Как нас в детстве учат «это кошка, а это собака», так же нейронные сети обучаются на большом количестве картинок. Но дело в том, что до 2010 не существовало достаточно большого data set’a, который способен был бы научить такое количество параметров распознавать изображения.

Самые большие базы данных, которые существовали до этого времени: PASCAL VOC, в который было всего 20 категорий объектов, и Caltech 101, который был разработан в California Institute of Technology. В последнем была 101 категория, и это было много. Тем же, кто не сумел найти свои объекты ни в одной из этих баз данных, приходилось стоить свои базы данных, что, я скажу, страшно мучительно.

Однако, в 2010 году появилась база ImageNet, в которой было 15 миллионов изображений, разделённые на 22 тысячи категорий. Это решило нашу проблему обучения нейронных сетей. Сейчас все желающие, у кого есть какой-либо академический адрес, могут спокойно зайти на сайт базы, запросить доступ и получить эту базу для тренировки своих нейронных сетей. Они отвечают достаточно быстро, по-моему, на следующий день.

По сравнению с предыдущими data set’ами, это очень большая база данных.

На примере видно, насколько было незначительно все то, что было до неё. Одновременно с базой ImageNet появилось соревнование ImageNet, международный challenge, в котором все команды, желающие посоревноваться, могут принять участие.

В этом году победила сеть, созданная в Китае, в ней было 269 слоёв. Не знаю, сколько параметров, подозреваю, тоже много.

Условно ее можно разделить на 2 части: те, которые учатся, и те, которые не учатся.

Чёрным обозначены те части, которые не учатся, все остальные слои способны обучаться. Существует множество определений того, что находится внутри каждого сверточного слоя. Одно из принятых обозначений — один слой с тремя компонентами разделяют на convolution stage, detector stage и pooling stage.

Не буду вдаваться в детали, еще будет много докладов, в которых подробно рассмотрено, как это работает. Расскажу на примере.

Поскольку организаторы просили меня не упоминать много формул, я их выкинула совсем.

Итак, входное изображение попадает в сеть слоёв, которые можно назвать фильтрами разного размера и разной сложности элементов, которые они распознают. Эти фильтры составляют некий свой индекс или набор признаков, который потом попадает в классификатор. Обычно это либо SVM, либо MLP — многослойный перцептрон, кому что удобно.

По образу и подобию с биологической нейронной сетью объекты распознаются разной сложности. По мере увеличения количества слоёв это все потеряло связь с cortex’ом, поскольку там ограничено количество зон в нейронной сети. 269 или много-много зон абстракции, поэтому сохраняется только увеличение сложности, количества элементов и рецептивных полей.

Если рассмотреть на примере распознавания лиц, то у нас рецептивное поле первого слоя будет маленьким, потом чуть побольше, побольше, и так до тех пор, пока наконец мы не сможем распознавать уже лицо целиком.

С точки зрения того, что находится у нас внутри фильтров, сначала будут наклонные палочки плюс немного цвета, затем части лиц, а потом уже целиком лица будут распознаваться каждой клеточкой слоя.

Есть люди, которые утверждают, что человек всегда распознаёт лучше, чем сеть. Так ли это?

В 2014 году ученые решили проверить, насколько мы хорошо распознаем в сравнении с нейронными сетями. Они взяли 2 самые лучшие на данный момент сети — это AlexNet и сеть Мэттью Зиллера и Фергюса, и сравнили с откликом разных зон мозга макаки, которая тоже была научена распознавать какие-то объекты. Объекты были из животного мира, чтобы обезьяна не запуталась, и были проведены эксперименты, кто же распознаёт лучше.

Так как получить отклик от мартышки внятно невозможно, ей вживили электроды и мерили непосредственно отклик каждого нейрона.

Оказалось, что в нормальных условиях клетки мозга реагировали так же хорошо, как и state of the art model на тот момент, то есть сеть Мэттью Зиллера.

Однако при увеличении скорости показа объектов, увеличении количества шумов и объектов на изображении скорость распознавания и его качество нашего мозга и мозга приматов сильно падают. Даже самая простая сверточная нейронная сеть распознаёт объекты лучше. То есть официально нейронные сети работают лучше, чем наш мозг.

Их на самом деле не так много, они относятся к трём классам. Среди них — такие задачи, как идентификация объекта, семантическая сегментация, распознавание лиц, распознавание частей тела человека, семантическое определение границ, выделение объектов внимания на изображении и выделение нормалей к поверхности. Их условно можно разделить на 3 уровня: от самых низкоуровневых задач до самых высокоуровневых задач.

На примере этого изображения рассмотрим, что делает каждая из задач.

• Определение границ — это самая низкоуровневая задача, для которой уже классически применяются сверточные нейронные сети.
• Определение вектора к нормали позволяет нам реконструировать трёхмерное изображение из двухмерного.
• Saliency, определение объектов внимания — это то, на что обратил бы внимание человек при рассмотрении этой картинки.
• Семантическая сегментация позволяет разделить объекты на классы по их структуре, ничего не зная об этих объектах, то есть еще до их распознавания.
• Семантическое выделение границ — это выделение границ, разбитых на классы.
• Выделение частей тела человека.
• И самая высокоуровневая задача — распознавание самих объектов, которое мы сейчас рассмотрим на примере распознавания лиц.

Первое, что мы делаем — пробегаем face detector’ом по изображению для того, чтобы найти лицо. Далее мы нормализуем, центрируем лицо и запускаем его на обработку в нейронную сеть. После чего получаем набор или вектор признаков однозначно описывающий фичи этого лица.

Затем мы можем этот вектор признаков сравнить со всеми векторами признаков, которые хранятся у нас в базе данных, и получить отсылку на конкретного человека, на его имя, на его профиль — всё, что у нас может храниться в базе данных.

Именно таким образом работает наш продукт FindFace — это бесплатный сервис, который помогает искать профили людей в базе «ВКонтакте».

Кроме того, у нас есть API для компаний, которые хотят попробовать наши продукты. Мы предоставляем сервис по детектированию лиц, по верификации и по идентификации пользователей.

Сейчас у нас разработаны 2 сценария. Первый — это идентификация, поиск лица по базе данных. Второе — это верификация, это сравнение двух изображений с некой вероятностью, что это один и тот же человек. Кроме того, у нас сейчас в разработке распознавание эмоций, распознавание изображений на видео и liveness detection — это понимание, живой ли человек перед камерой или фотография.

Немного статистики. При идентификации, при поиске по 10 тысячам фото у нас точность около 95% в зависимости от качества базы, 99% точность верификации. И помимо этого данный алгоритм очень устойчив к изменениям — нам необязательно смотреть в камеру, у нас могут быть некие загораживающие предметы: очки, солнечные очки, борода, медицинская маска. В некоторых случаях мы можем победить даже такие невероятные сложности для компьютерного зрения, как и очки, и маска.

Очень быстрый поиск, затрачивается 0,5 секунд на обработку 1 миллиарда фотографий. Нами разработан уникальный индекс быстрого поиска. Также мы можем работать с изображениями низкого качества, полученных с CCTV-камер. Мы можем обрабатывать это все в режиме реального времени. Можно загружать фото через веб-интерфейс, через Android, iOS и производить поиск по 100 миллионам пользователей и их 250 миллионам фотографий.

Как я уже говорила мы заняли первое место на MegaFace competition — аналог для ImageNet, но для распознавания лиц. Он проводится уже несколько лет, в прошлом году мы были лучшими среди 100 команд со всего мира, включая Google.

Recurrent neural networks мы используем тогда, когда нам недостаточно распознавать только изображение. В тех случаях, когда нам важно соблюдать последовательность, нам нужен порядок того, что у нас происходит, мы используем обычные рекуррентные нейронные сети.

Это применяется для распознавания естественного языка, для обработки видео, даже используется для распознавания изображений.

Про распознавание естественного языка я рассказывать не буду — после моего доклада еще будут два, которые будут направлены на распознавание естественного языка. Поэтому я расскажу про работу рекуррентных сетей на примере распознавания эмоций.

Что такое рекуррентные нейронные сети? Это примерно то же самое, что и обычные нейронные сети, но с обратной связью. Обратная связь нам нужна, чтобы передавать на вход нейронной сети или на какой-то из ее слоев предыдущее состояние системы.

Предположим, мы обрабатываем эмоции. Даже в улыбке — одной из самых простых эмоций — есть несколько моментов: от нейтрального выражения лица до того момента, когда у нас будет полная улыбка. Они идут друг за другом последовательно. Чтоб это хорошо понимать, нам нужно уметь наблюдать за тем, как это происходит, передавать то, что было на предыдущем кадре в следующий шаг работы системы.

В 2005 году на состязании Emotion Recognition in the Wild специально для распознавания эмоций команда из Монреаля представила рекуррентную систему, которая выглядела очень просто. У нее было всего несколько свёрточных слоев, и она работала исключительно с видео. В этом году они добавили также распознавание аудио и cагрегировали покадровые данные, которые получаются из convolutional neural networks, данные аудиосигнала с работой рекуррентной нейронной сети (с возвратом состояния) и получили первое место на состязании.

Следующий тип нейронных сетей, который очень часто используется в последнее время, но не получил такой широкой огласки, как предыдущие 2 типа — это deep reinforcement learning, обучение с подкреплением.

Дело в том, что в предыдущих двух случаях мы используем базы данных. У нас есть либо данные с лиц, либо данные с картинок, либо данные с эмоциями с видеороликов. Если у нас этого нет, если мы не можем это отснять, как научить робота брать объекты? Это мы делаем автоматически — мы не знаем, как это работает. Другой пример: составлять большие базы данных в компьютерных играх сложно, да и не нужно, можно сделать гораздо проще.

Все, наверное, слышали про успехи deep reinforcement learning в Atari и в го.

Кто слышал про Atari? Ну кто-то слышал, хорошо. Про AlphaGo думаю слышали все, поэтому я даже не буду рассказывать, что конкретно там происходит.

Что происходит в Atari? Слева как раз изображена архитектура этой нейронной сети. Она обучается, играя сама с собой для того, чтобы получить максимальное вознаграждение. Максимальное вознаграждение — это максимально быстрый исход игры с максимально большим счетом.

Справа вверху — последний слой нейронной сети, который изображает всё количество состояний системы, которая играла сама против себя всего лишь в течение двух часов. Красным изображены желательные исходы игры с максимальным вознаграждением, а голубым — нежелательные. Сеть строит некое поле и движется по своим обученным слоям в то состояние, которого ей хочется достичь.

В робототехнике ситуация состоит немного по-другому. Почему? Здесь у нас есть несколько сложностей. Во-первых, у нас не так много баз данных. Во-вторых, нам нужно координировать сразу три системы: восприятие робота, его действия с помощью манипуляторов и его память — то, что было сделано в предыдущем шаге и как это было сделано. В общем это все очень сложно.

Дело в том, что ни одна нейронная сеть, даже deep learning на данный момент, не может справится с этой задачей достаточно эффективно, поэтому deep learning только исключительно кусочки того, что нужно сделать роботам. Например, недавно Сергей Левин предоставил систему, которая учит робота хватать объекты.

Вот здесь показаны опыты, которые он проводил на своих 14 роботах-манипуляторах.

Что здесь происходит? В этих тазиках, которые вы перед собой видите, различные объекты: ручки, ластики, кружки поменьше и побольше, тряпочки, разные текстуры, разной жесткости. Неясно, как научить робота захватывать их. В течение многих часов, а даже, вроде, недель, роботы тренировались, чтобы уметь захватывать эти предметы, составлялись по этому поводу базы данных.

Базы данных — это некий отклик среды, который нам нужно накопить для того, чтобы иметь возможность обучить робота что-то делать в дальнейшем. В дальнейшем роботы будут обучаться на этом множестве состояний системы.

Это к сожалению, конец, у меня не много времени. Я расскажу про те нестандартные решения, которые сейчас есть и которые, по многим прогнозам, будут иметь некое приложение в будущем.

Итак, ученые Стэнфорда недавно придумали очень необычное применение нейронной сети CNN для предсказания бедности. Что они сделали?

На самом деле концепция очень проста. Дело в том, что в Африке уровень бедности зашкаливает за все мыслимые и немыслимые пределы. У них нет даже возможности собирать социальные демографические данные. Поэтому с 2005 года у нас вообще нет никаких данных о том, что там происходит.

Учёные собирали дневные и ночные карты со спутников и скармливали их нейронной сети в течение некоторого времени.

Нейронная сеть была преднастроена на ImageNet’е. То есть первые слои фильтров были настроены так, чтобы она умела распознавать уже какие-то совсем простые вещи, например, крыши домов, для поиска поселения на дневных картах. Затем дневные карты были сопоставлены с картами ночной освещенности того же участка поверхности для того, чтобы сказать, насколько есть деньги у населения, чтобы хотя бы освещать свои дома в течение ночного времени.

Здесь вы видите результаты прогноза, построенного нейронной сетью. Прогноз был сделан с различным разрешением. И вы видите — самый последний кадр — реальные данные, собранные правительством Уганды в 2005 году.

Можно заметить, что нейронная сеть составила достаточно точный прогноз, даже с небольшим сдвигом с 2005 года.

Были конечно и побочные эффекты. Ученые, которые занимаются deep learning, всегда с удивлением обнаруживают разные побочные эффекты. Например, как те, что сеть научилась распознавать воду, леса, крупные строительные объекты, дороги — все это без учителей, без заранее построенных баз данных. Вообще полностью самостоятельно. Были некие слои, которые реагировали, например, на дороги.

И последнее применение о котором я хотела бы поговорить — семантическая сегментация 3D изображений в медицине. Вообще medical imaging — это сложная область, с которой очень сложно работать.

Для этого есть несколько причин.

• У нас очень мало баз данных. Не так легко найти картинку мозга, к тому же повреждённого, и взять ее тоже ниоткуда нельзя.
• Даже если у нас есть такая картинка, нужно взять медика и заставить его вручную размещать все многослойные изображения, что очень долго и крайне неэффективно. Не все медики имеют ресурсы для того, чтобы этим заниматься.
• Нужна очень высокая точность. Медицинская система не может ошибаться. При распознавании, например, котиков, не распознали — ничего страшного. А если мы не распознали опухоль, то это уже не очень хорошо. Здесь особо свирепые требования к надежности системы.
• Изображения в трехмерных элементах — вокселях, не в пикселях, что доставляет дополнительные сложности разработчикам систем.

Но как обошли этот вопрос в данном случае? CNN была двупотоковая. Одна часть обрабатывала более нормальное разрешение, другая — чуть более ухудшенное разрешение для того, чтобы уменьшить количество слоёв, которые нам нужно обучать. За счёт этого немного сократилось время на тренировку сети.

Где это применяется: определение повреждений после удара, для поиска опухоли в мозгу, в кардиологии для определения того, как работает сердце.

Вот пример для определения объема плаценты.

Автоматически это работает хорошо, но не настолько, чтобы это было выпущено в производство, поэтому пока только начинается. Есть несколько стартапов для создания таких систем медицинского зрения. Вообще в deep learning очень много стартапов в ближайшее время. Говорят, что venture capitalists в последние полгода выделили больше бюджета на стартапы обрасти deep learning, чем за прошедшие 5 лет.

Эта область активно развивается, много интересных направлений. Мы с вами живем в интересное время. Если вы занимаетесь deep learning, то вам, наверное, пора открывать свой стартап.

Ну на этом я, наверное, закруглюсь. Спасибо вам большое.

Доклад: Нейронные сети — практическое применение.

Галерея замысловатых рисунков пером и тушью. Искусство — это развлечение

Детальные рисунки пером и тушью Эли Хелмана — настоящий праздник для глаз. Его плотно нарисованные пером и тушью работы содержат так много визуальной информации, что вы будете открывать что-то новое каждый раз, когда смотрите на них.

Работая в своей студии в Истхемптоне, штат Массачусетс (США), Эли создает как маленькие, так и большие рисунки тушью, используя черные чернила на белой бумаге. 0005 Максималистский стиль . Чтобы по-настоящему оценить сложность его работы, вы можете щелкнуть каждое из его изображений на этой странице, чтобы перейти к версии каждой работы в высоком разрешении, что позволит вам увидеть крупным планом все детали его замысловатого рисунка пером и тушью. Узнайте больше о рабочем процессе Эли и о том, что его вдохновляет, из этого эксклюзивного интервью!

Как давно вы художник?

С детства я увлекался многими видами искусства. Однако только с 2008 года я начал рисовать тушью и усовершенствовал свой стиль до сегодняшнего дня. В течение многих лет я рисовал то, что называл «суперкаракули» — крупномасштабные наброски потока сознания, основанные на плотно сплетенных, равномерно расположенных формах и узорах. Около двух лет назад я решил вывести этот стиль на новый уровень, добавив элементы природы и переключившись с карандаша на ручку.

Какой ручкой и бумагой вы пользуетесь?

Я рисую исключительно черными ручками Pigma Micron . Для рисунков размером 8 x 10 дюймов я использовал рисовальную бумагу Strathmore серии 300 (70 фунтов) . Рисунки размером 18 x 24 дюйма нарисованы на бумаге для рисования Canson (70 фунтов) .

Что вам нравится в работе тушью?

Что мне больше всего нравится в чернилах, особенно в ручках Micron, так это то, что они не растекаются, не слипаются и не размазываются. В моей работе, где желаемый эффект достигается за счет чистых, равномерных пространств между линиями, формами и объектами, очень важно умение точно рисовать. Ручки, которые рисуют равномерно и быстро сохнут, идеально подходят для этого вида искусства.

Много лет я рисовал механическими карандашами Bic #2. Мне понравилась способность рисовать ими очень тонкие линии, и они меня достаточно удовлетворили, чтобы не искать другие материалы. Но у них есть свои недостатки, такие как смазывание, ломающиеся кончики и практически бесполезные ластики. Поэтому, когда я решил серьезно заняться созданием более крупных работ с более определенными темами, я переключился на чернила из-за их универсальности и стабильности.

Какие проблемы возникают при работе с чернилами?

Чернила могут быть темпераментными, когда дело доходит до затенения. Это не то, с чем я часто сталкиваюсь в своей работе, но иногда получение реалистичных теней может быть затруднено при работе с таким тяжелым веществом. Также небольшое ухудшение точности пера может быть заметно в больших работах с большим количеством чернил. Это может стать дорогостоящим мероприятием, в зависимости от того, как часто вы переключаетесь на новые ручки. Я стараюсь быть экономным с перьями, но очень мало деталей, которые можно получить с помощью точки, которая с каждой минутой становится все тусклее и тусклее. В целом я считаю, что с чернилами очень легко работать, поэтому проблемы незначительны по сравнению с преимуществами.

Можете ли вы описать свой рабочий процесс от начала до конца?

В большинстве произведений у меня есть идея в начале — центральная тема или базовое расположение фокусных точек. Однако вся эта крошечная детальная работа по выкройке не запланирована. Они задуманы, как я иду вперед.

Каждый рисунок я начинаю с измерения граничного пространства, обычно толщиной в один дюйм, по краю бумаги. Это помогает мне визуализировать все пространство, с которым мне приходится работать. Это также помогает мне не выходить за рамки размера кадра, который я собираюсь использовать. Иногда я выбираю узор для границы и сначала рисую его. В других случаях я буду сохранять границу до конца, чтобы лучше дополнить рисунок. В любом случае, как только пустое пространство будет готово для заполнения, я рисую фокусные точки и оставляю всю работу с узором до конца. Таким образом, если я не доволен основными визуальными элементами — животными, растениями или общей компоновкой — я не буду тратить часы на детали. Но если все выглядит хорошо, я выбираю начальную точку и работаю с нее, убирая одну строку за раз, пока не появится желаемый эффект. Обычно этот последний шаг занимает несколько долгих сеансов — часто дни или недели — в зависимости от размера рисунка. Как только область рисования полностью заполнена и граница закончена, я подписываю ее и называю. Название всегда идет последним. Мой процесс — это практика терпения и выносливости. В большинстве аспектов своей жизни я тороплюсь. Этот метод рисования заставляет меня не торопиться. Я считаю, что нам всем нужно время от времени замедляться.

Посмотрите замедленное видео, показывающее процесс создания Илаем приведенного выше рисунка под названием Variations of Kirby .

  Как бы вы описали свой стиль?

Я называю свой стиль Максималист . Акцент на деталях и постоянное отсутствие пустого пространства делают мою работу воплощением одного из многих определений максимализма. Цель моего подхода состоит в том, чтобы заполнить каждый дюйм изображения пропорциональным балансом черного и белого, создавая общий эффект серости. Хотя использование этого термина может быть технически некорректным в некоторых кругах, я считаю, что, по крайней мере, это улучшение по сравнению с «Super Doodle».

В моей работе также присутствуют элементы сюрреализма, абстракционизма и аутсайдерского искусства.

Что повлияло на ваши работы?

Мне всегда нравились работы Миро, Кандинского, Клее и многих других. Их способность сочетать причудливое чувство юмора с техническим мастерством делает их эстетику такой привлекательной.

Будучи многолетним начинающим музыкантом, я нахожусь под сильным влиянием современной классической, авангардной и экспериментальной музыки. В большинстве видов искусства, и в частности в музыке, меня привлекает работа, которая пересекает границы, выходит за рамки идиом и бросает вызов нормам. Прослушивание музыки со сложными отношениями часто дает мне визуальные идеи. Как и композиторы в музыке, я думаю о своих формах и узорах как о языке с ограниченным словарным запасом. Каждый из них имеет свою индивидуальность и свой способ заполнения пространства. Проблема заключается в том, как воссоздать и реорганизовать формы и шаблоны, чтобы создать плавный поток в больших контекстах.

Еще одно большое влияние на мою работу оказывает природа. Я каждый день смиряюсь перед необъятностью нашего мира, сложностью нашего бытия и необъятностью космоса за его пределами. В искусстве я получаю огромное удовольствие, сопоставляя хитросплетения абстрактного дизайна с доступной универсальностью мира природы. Например, мы все можем относиться к идее дерева, животного, лица или пейзажа. Мой подход заключается в том, чтобы брать эти узнаваемые образы и трансформировать их через собственную призму.

И последнее, но не менее важное: я должен отдать должное моей матери, моему дяде Гэри и тете Кэти, которые оказали наибольшее влияние на мои работы. Будучи самоучкой, я часто чувствовал определенные ограничения, но их влияние на меня с точки зрения стиля, идей, отношения, уважения и моральной поддержки было лучшим образованием. Без них я бы не смог этого сделать!

Сколько времени вам понадобится, чтобы закончить рисунок размером 8 x 10 дюймов?

Чертежи размером 8 x 10 дюймов обычно занимают около 5-10 часов работы.

Сколько времени вам потребуется, чтобы закончить рисунок размером 18 x 24 дюйма?

На выполнение чертежей размером 18 x 24 дюйма уходит от 75 до 100 часов.

Есть ли у вас какие-либо советы или советы для людей, которые хотят рисовать тушью?

Почувствуйте материалы. Поэкспериментируйте с разными ручками и попрактикуйтесь в рисовании с разной степенью давления, чтобы понять, как ручки реагируют. Продолжайте пробовать что-то новое, пока не будете удовлетворены результатом. И никогда не бойтесь сделать беспорядок!

Что вам больше всего нравится в профессии художника?

Больше всего мне нравится быть художником — отступать и смотреть на готовую работу. Мой процесс может быть веселым и захватывающим, а также разочаровывающим и утомительным, поэтому лучший результат — лучшая награда.

Большое спасибо Эли Хелману за увлекательное интервью! Если вы хотите увидеть больше подробных рисунков Илая пером и тушью, посмотрите его Интернет-магазин , где вы можете купить оригиналы, репродукции и многое другое! Его подробные рисунки пером и тушью также можно приобрести на футболках . Другие замедленные видеоролики с подробными рисунками Эли пером и тушью можно посмотреть на его канале на YouTube .

Узнайте больше о создании собственных подробных рисунков пером и тушью!

Если вы хотите делать подробные рисунки пером и тушью, ознакомьтесь с этим подробным обзором этого популярного средства рисования, а также с методами, необходимыми материалами и примерами рисования пером и тушью.

Существует много различной бумаги для рисования для создания рисунков пером и тушью. Узнайте о нескольких различных видах художественной бумаги, которые вы можете использовать для своих подробных рисунков пером и тушью!

Техники рисования пером и тушью: узнайте, как создать ценность текстуры в ваших подробных рисунках пером и тушью. На этой странице показаны 5 простых базовых техник рисования тушью!

Техники рисования пером – Рисунки пером и тушью, автор Rahul Jain

В этом посте я подробно опишу технику рисования пером. Прежде чем мы подробно рассмотрим техники рисования, я хочу прояснить разницу между «отметкой» и «техникой». «Отметка» пера или штрих — это индивидуальное визуальное представление, которое используется, например, линия. «Техника» рисования пером — это способ использования этого визуального представления для достижения определенной цели, например, для придания тона. Различные методы рисования пером могут использоваться с одной и той же меткой на разных концах, а также некоторые метки можно использовать только с определенными методами рисования. Я надеюсь, что к концу этого урока у вас будет базовое понимание различных техник рисования пером и вы сможете эффективно использовать его в своих усилиях по рисованию пером и тушью.

Традиционно основные приемы рисования пером связаны с использованием линий. Эти методы ( штриховка , контурные линии , штриховка крестиком) являются первыми 3 подробно рассмотренными ниже. Далее мы рассмотрим использование Tapered Dark для текстуры. Есть много других разнообразных «меток» (и связанных с ними техник), которые используются в рисовании пейзажей пером и тушью, и они описаны в отдельной статье.

Штриховка:

Основным аспектом рисования является создание «тона». «Тон» по существу относится к уровню света или тени, а рисунок — это не что иное, как различные тона, наложенные таким образом, чтобы указать на определенный объект или изображение в нашем воображении. Таким образом, способность задавать определенный «тон» имеет основополагающее значение для рисования. В некоторых средах, таких как карандаш или пастель, широкий кончик долота вместе с приложенным давлением используется для контроля и создания однородного тона. Не так с ручкой, поскольку у нас есть только перо для работы. В случае с ручкой громкость «метки» используется для управления воспринимаемым тоном. «Параллельные линии» широко используются для создания тона при рисовании пером, но, как мы увидим позже, это можно сделать и с помощью многих других меток.

Этот процесс рисования параллельных линий рядом друг с другом для создания тона называется «штриховка». Ниже показано, как штриховка используется для создания исходного тона при рисовании каменной стены.

Параллельные линии используются для создания тона на этом рисунке.

Изменяя толщину и расстояние между линиями, мы можем изменить уровень «темного» по сравнению с «белым» в области бумаги и, следовательно, «тон». .

Дополнительные линии или толщина линий используются для регулировки тона штриховки

Линии также должны быть «более или менее» равноудаленными друг от друга. В противном случае теряется ощущение однородности тона.

Но есть более фундаментальный вопрос: что определяет уровень «тона» для использования в той или иной области.

От чего зависит используемый уровень тона:

Как мы обсуждали выше, «штриховка» — это метод добавления «тона» к области рисунка. Уровень добавляемого тона зависит от следующих двух факторов:

1. Натуральный или основной тон объекта/цвета:
2. Уровень Света, падающего на область:

При рисовании пером, когда цвет не используется, необходимо предполагать тон для каждого объекта и цвета на рисунке. Это похоже на то, как мы видим тон на черно-белой фотографии. Некоторые объекты, такие как камень, обычно темнее, и на рисунке им придается более темный тон. Яркое солнечное светлое небо имело бы более светлый тон, чем ночное небо. Точно так же желтый цвет воспринимается как «светлее», чем темно-синий.

Я мог бы решить, что камень имеет более натуральный «базовый» тон, чем то, что я указал выше. В этом случае я могу использовать дополнительный набор линий, чтобы придать ему более «базовый» тон, как показано ниже.

Добавьте больше штриховок, чтобы увеличить уровень тона

Кроме того, если объект имеет криволинейную поверхность, то часть его поверхности, которая получает больше света, ярче, и на это указывает использование меньшего тона по сравнению с поверхностью, которая находится вдали от свет и получать меньше света и, следовательно, темнее. Для более темной поверхности используется большее количество «штрихов», чтобы показать более темный тон и, следовательно, более темный вид.

Таким образом, естественное состояние и уровень света, падающего на поверхность объекта, определяют используемый уровень тона. Мы начинаем с основного тона, а затем добавляем больше тона к более темным областям в зависимости от уровня света, который они получают.

Тональная вариация:

В рисовании редко предполагается, что свет равномерно падает на всю поверхность объекта с одинаковым тоном повсюду. Это действительно сделает этот рисунок очень скучным. Вместо этого делается предположение относительно направления света, и тон присваивается различным поверхностям объекта в зависимости от того, сколько света они получают. Эти разные уровни тона объекта называются «тональными вариациями».

При штриховке дополнительные линии используются для создания тональных вариаций.

Для пейзажей Солнце часто считается источником света сверху. В этом случае камни на рисунке выше будут иметь следующие тональные вариации.

• Считается, что верхняя часть камня получает наибольшее количество света и имеет самое яркое освещение. Чтобы указать на это, он почти оставлен белым.
• Нижняя часть камня получит меньше всего света и будет самой темной
• Средняя 1/3 получит средний объем света и будет среднего тона

Исходя из приведенных выше предположений, используется дополнительный набор штриховок, чтобы добавить больше тона к нижней 1/3, чтобы придать ей самый темный тон внизу.

Каменная поверхность теперь имеет «тональную вариацию» с 3 тонами (самый светлый, средний и самый темный). Эти тона были достигнуты с помощью дополнительных слоев параллельных линий. Обратите также внимание на то, как каменная поверхность на приведенном выше рисунке имеет восприятие формы или объема из-за изменения тона на ее поверхности.

Такой трехцветной тональной вариации достаточно для большинства рисунков, но это вопрос личных предпочтений. Для более подробных рисунков можно использовать большее изменение тона, чтобы придать ему более реалистичный вид. Ниже я добавил еще один слой линий в самом низу, чтобы сделать эту тональную вариацию «4 тона».

Понятие предложения:

Важно понимать, что в рисовании цель состоит в том, чтобы « предложить » определенный аспект формы и объема изображаемых объектов посредством изображенных тональных вариаций. На самом деле тональные вариации, которые мы воспринимаем, могут быть не такими драматичными, как это часто изображается на рисунках пером (например, на каменной стене выше), и на самом деле изменение тона в реальности происходит непрерывно. Для некоторых средств рисования, таких как карандаши и пастель, очень тонкие тональные вариации достижимы за счет изменения приложенного давления. Но при рисовании пером с использованием линий цель обычно не в том, чтобы добиться «реалистичного» рисунка за счет тонкого изменения тона, поскольку «штриховка» — неправильная техника, а перо — не подходящее средство для этого. Вместо этого цель рисования пером состоит в том, чтобы «предложить» форму через лимитированный набор тональных вариаций. Это также выявляет уникальное чувство рисунков пером, которое привлекает людей к этой среде. Для тонких тональных градаций, таких как гиперреалистичные рисунки пером, часто используются другие метки и методы, такие как штриховка (с использованием точек).

Использование других меток для наложения тонов:

Различные другие метки могут использоваться для наложения тона с тем же процессом (используйте меньшую громкость для светлого тона, больше громкости для более темного тона), как и с параллельными линиями. Их иногда называют разными методами и дают разные имена, например, использование термина «точечное нанесение» при использовании «точек» в качестве меток. Соображения о тональных вариациях, которые обсуждались выше, применимы и к ним. Ниже приведен пример использования точек для текстурирования каменной стены. Это обсуждается позже.

Штриховка точками для придания тона

Нажмите здесь , чтобы узнать, как улучшить штриховку.

Контурные линии:

При штриховке, как описано выше, используются прямые параллельные линии. Следующим шагом является использование кривизны линий для обозначения кривизны объекта. Это очень уникальная техника, которая возможна только при использовании линий и отличает рисование пером от других средств рисования.

Изучите линии на лепестках роз ниже. Обратите внимание, как линии проходят вдоль ожидаемого контура лепестков, и это создает ощущение контура лепестка. Линии на самом деле не параллельны, а следуют контуру поверхности объекта. Это дает нам представление о контуре лепестков.

Использование контурных линий на лепестках

Ниже показано использование параллельных линий штриховки на аналогичной розе. Обратите внимание, что параллельные линии не повторяют контур лепестков и, таким образом, не выделяют контур лепестков.

Использование параллельных линий (штриховки) на лепестках роз

Важно помнить, что если текстурируемая ниже поверхность имеет более сложную криволинейную форму, используйте контурные линии, чтобы подчеркнуть кривизну поверхности.

Как обсуждалось ранее при штриховке, можно использовать дополнительный набор линий для настройки тона, чтобы подчеркнуть игру света и тени. Для лепестков роз используется дополнительный слой контурных линий, чтобы добавить тон для обозначения области в тени.

Использование нескольких слоев контурных линий

Подводя итог, можно сказать, что если поверхность имеет криволинейную форму, то первичный набор контурных линий подчеркивает кривизну поверхности, а дополнительный набор контурных линий может использоваться для обозначения игры света.

Штриховка по сравнению с контурными линиями

Ранее мы видели, что тональные вариации со штриховкой можно использовать для обозначения кривизны и формы объекта, как мы это сделали с каменной стеной выше. Затем возникает вопрос о том, когда использовать штриховку, а когда контурные линии для обозначения формы. Ответ на этот вопрос зависит от сложности кривизны поверхности и вашего удобства при рисовании контурных линий. Если вам удобно рисовать контурные линии, а поверхность имеет сложную форму, которая выиграет от контурных линий, тогда лучше использовать контурные линии.

Ниже показан похожий рисунок розы со штриховкой и контурными линиями. Форма и ощущение лепестков более очевидны с контурными линиями.

Человеческие формы с изогнутыми поверхностями также выигрывают от использования контурных линий. На рисунке ниже контурные линии используются для выделения формы пальцев и рук. Нажмите на изображение, чтобы увидеть подробности.

В некоторых случаях контурные линии могут использоваться для указания направления потока или движения. Это особенно актуально при рисовании воды, как в случае рисования водопада ниже.

Водопад

Щелкните здесь, чтобы попрактиковаться в рисовании контурных линий.

Перекрестная штриховка:

На приведенном выше каменном рисунке несколько слоев линий штриховки в одном направлении использовались для создания тональных вариаций. Когда несколько слоев линий используются в разных направлениях, это называется перекрестной штриховкой.

На следующем рисунке другой каменной стены второй тон добавляется с помощью линий в другом направлении, и это называется перекрестной штриховкой

Перекрестная штриховка используется для добавления второго слоя тона

Таким образом можно использовать несколько слоев в разных направлениях для создания дополнительных тональных вариаций.

Дополнительная перекрестная штриховка для создания большего тонального разнообразия. в одном направлении (штриховка) можно использовать для создания тональных вариаций. Как мы только что видели, для этой цели также можно использовать параллельные линии в разных направлениях (штриховка). Это поднимает вопрос о том, какую технику и когда использовать.

Ответ на высоком уровне заключается в том, что это вопрос личных предпочтений и стиля рисования. Некоторым людям нравится чистый вид штриховки, поскольку при рисовании линий в одном направлении они иногда могут сливаться и создавать более темное пятно. Также несколько слоев в одном направлении можно использовать только для ограниченных тональных вариаций, прежде чем они начнут мешать друг другу. С перекрестной штриховкой можно использовать множество различных направлений линий для создания большего тонального разнообразия с чистым внешним видом.

На следующем простом эскизе кружки показано сравнение различных техник.

Тон против Текстуры:

Важно понимать разницу между «тоном» и «текстурой», поскольку они часто используются взаимозаменяемо, но относятся к совершенно разным аспектам рисования. Тон, как мы обсуждали ранее, представляет собой уровень «светлого» или «темного» с большим количеством штрихов, используемых для придания большего тона. Текстура, с другой стороны, — это «ощущение» поверхности, которую мы намереваемся передать. Иногда один и тот же штрих используется для придания тона и текстуры, но также можно использовать один штрих для придания тона, а затем использовать другой штрих для придания текстуры.

Параллельные линии с использованием методов, описанных выше, сами по себе часто не выявляют текстуру, которая может понадобиться, если поверхность имеет особенно грубую текстуру, и в этом случае для придания текстуры используется дополнительный штрих. Например, на простом рисунке кружки выше предполагается гладкая поверхность кружки, и, следовательно, дополнительный штрих не используется. Чтобы указать на небольшие трещины в кружке, дополнительно используется сужающийся темный штрих, как показано ниже.

Водяная лилия

На приведенном выше рисунке цветка небольшие овальные точки используются для создания текстуры цветка в дополнение к контурным линиям на лепестках. Дополнительные метки, используемые для создания текстуры, диктуются характером желаемой текстуры и приходят с практикой.

В некоторых случаях одна и та же метка может использоваться для обозначения тона и текстуры. Так обстоит дело с использованием штриховки на каменной стене, замеченной ранее.

Tapered Dark:

Обычно это не называют «методом», но я обнаружил, что он используется во многих случаях, особенно в рисовании пейзажей. Эта техника просто создает и использует следующие темные формы, либо отдельно, либо путем затемнения линии.

В пейзажах края объектов обычно затемняются таким образом, чтобы придать им глубину. Далее показано, как, когда края камня в каменной стене затемняются таким образом, они приобретают глубину.

Края затемнены в виде неравномерных темных сужений, чтобы придать им глубину.

Эти сужающиеся темные формы также можно использовать на теле, чтобы придать ощущение несовершенства. Ниже показана каменная стена, когда такие недостатки были добавлены.

Конические темные оттенки добавляются как дефекты

«Техника » за этими коническими темными формами заключается в их неравномерном использовании для создания приятного распределения тона с помощью таких форм. После этого старый корень текстурируется с помощью таких фигур разного размера. Нажмите на нее, чтобы увидеть, как она нарисована шаг за шагом.

Старый корень

Следующий ствол также затекстурирован именно такими формами.

Техники с другими «метками»:

В первых трех техниках (штриховка, контурные линии, перекрестная штриховка) основное внимание уделялось использованию «линейной» метки различными способами для обеспечения вариаций тона. В последнем методе, описанном выше, для текстуры использовались конические темные формы. Есть много других «меток», которые можно использовать в дополнение к различным ощущениям при текстурировании. Какая «техника» стоит за этими «отметками»?

Ответ заключается в том, что «техника» или способ использования «знака» часто зависит от контекста использования этого знака. Одна и та же метка может использоваться для предоставления разных текстур для разных объектов, и тогда с одной и той же меткой будут применяться разные методы для получения различной текстуры. Например, следущую «слегка волнистую» метку можно использовать для текстурирования ствола, воды и даже неба с использованием различных техник.

Один и тот же штрих используется для текстурирования ствола, воды и неба с использованием разных техник

Далее я обсуждаю различные «отметки» или штрихи и связанные с ними техники рисования пером и пейзажей здесь.

Нужно ли рисовать параллельные линии, чтобы рисовать пером?

Прежде чем я закончу этот пост, я хочу ответить на один вопрос, который мне часто задают. Как мы обсуждали ранее, использование линий для обеспечения вариации тона является фундаментальной техникой рисования пером и тушью, но умение рисовать такие параллельные линии приходит с большой практикой. Многие люди считают, что этому слишком сложно научиться, и никогда не пытаются рисовать пером, полагая, что они не могут рисовать пером, не умея рисовать параллельные линии. Я хочу пояснить, что, по крайней мере, для рисования пейзажей многие великих пейзажей можно нарисовать, не используя ни одной прямой линии . Как часто говорят, в природе нет прямых линий, и текстурирование природы может быть достигнуто с помощью других штрихов, таких как покачивания, открытые петли и т. д. Эти штрихи могут быть легко выполнены любым телом и использованы для создания очень приятных пейзажей. Я обсуждаю эти штрихи более подробно здесь.