Orange: Image Embedding - Revision history

Onnowpurbo: /* Output */

2020-04-07T22:22:28Z

Output

Onnowpurbo: /* Output */

2020-04-07T22:21:40Z

Output

Onnowpurbo: /* Example */

2020-04-06T22:34:13Z

Example

Onnowpurbo: /* Example */

2020-04-06T22:33:42Z

Example

Onnowpurbo: /* Example */

2020-04-06T22:32:04Z

Example

Onnowpurbo: /* Embedder */

2020-04-06T22:28:36Z

Embedder

Onnowpurbo at 22:07, 6 April 2020

2020-04-06T22:07:27Z

Onnowpurbo: /* Embedders */

2020-04-06T10:56:46Z

Embedders

Onnowpurbo at 10:55, 6 April 2020

2020-04-06T10:55:15Z

Onnowpurbo at 00:39, 14 March 2020

2020-03-14T00:39:44Z

@@ Line 12: / Line 12: @@
   Skipped Images: List of images where embeddings were not calculated.
-Image Embedding membaca image dan meng-upload-nya ke remote server atau meng-evaluasi image secara lokal. Deep learning model digunakan untuk mengkalkulasi feature vector untuk setiap  image. Widget Image Embedding akan mengeluarkan sebuah enhanced data table dengan tambahan kolom (image descriptor).
+Widget Image Embedding membaca image dan meng-upload-nya ke remote server atau meng-evaluasi image secara lokal. Deep learning model digunakan untuk mengkalkulasi feature vector untuk setiap  image. Widget Image Embedding akan mengeluarkan sebuah enhanced data table dengan tambahan kolom (image descriptor).
 Image dapat di import menggunakan widget Import Images atau sebagai path ke image di sebuah file spreadsheet. Dalam hal ini, kolom dengan path image perlu menggunakan three-row header dengan label type=image pada baris ke tiga.

@@ Line 12: / Line 12: @@
   Skipped Images: List of images where embeddings were not calculated.
-Image Embedding membaca image dan meng-upload-nya ke remote server atau meng-evaluasi image secara lokal. Deep learning model digunakan untuk mengkalkulasi feature vector untuk setiap  image. Dia akan mengeluarkan sebuah enhanced data table dengan tambahan kolom (image descriptor).
+Image Embedding membaca image dan meng-upload-nya ke remote server atau meng-evaluasi image secara lokal. Deep learning model digunakan untuk mengkalkulasi feature vector untuk setiap  image. Widget Image Embedding akan mengeluarkan sebuah enhanced data table dengan tambahan kolom (image descriptor).
 Image dapat di import menggunakan widget Import Images atau sebagai path ke image di sebuah file spreadsheet. Dalam hal ini, kolom dengan path image perlu menggunakan three-row header dengan label type=image pada baris ke tiga.

@@ Line 57: / Line 57: @@
 [[File:ImageEmbedding-Example1.png|center|600px|thumb]]
-Setelah komputasi oleh widget Image Embedding selesai dilakukan, kita akan dapat melihat data tambahan di widget Data Table. Setelah embedding selesai di peroleh, kita dapat melanjutkan dengan berbagai metoda machine learning yang di tawarkan Orange. Berikut adalah sebuah contoh untuk clustering.
+Setelah komputasi oleh widget Image Embedding selesai dilakukan, kita akan dapat melihat data tambahan di widget Data Table. Setelah embedding selesai di peroleh, kita dapat melanjutkan dengan berbagai metoda machine learning yang di tawarkan Orange. Berikut adalah sebuah contoh untuk clustering menggunakan widget Distances dan widget Hierachical Clustering.
 [[File:ImageEmbedding-Example2.png|center|600px|thumb]]

@@ Line 57: / Line 57: @@
 [[File:ImageEmbedding-Example1.png|center|600px|thumb]]
-Setelah komputasi selesai dilakukan, kita akan dapat melihat data tambahan di widget Data Table. With the retrieved embeddings, you can continue with any machine learning method Orange offers. Below is an example for clustering.
+Setelah komputasi oleh widget Image Embedding selesai dilakukan, kita akan dapat melihat data tambahan di widget Data Table. Setelah embedding selesai di peroleh, kita dapat melanjutkan dengan berbagai metoda machine learning yang di tawarkan Orange. Berikut adalah sebuah contoh untuk clustering.
 [[File:ImageEmbedding-Example2.png|center|600px|thumb]]

@@ Line 51: / Line 51: @@
 ==Example==
-Let us first import images from a folder with Import Images. We have three images of an orange, a banana and a strawberry in a folder called Fruits. From Import Images we will send a data table containing a column with image paths to Image Embedding.
+Pertama kali yang kita lakukan adalah import image dari folder menggunakan widget Import Images. Sebagai contoh disini kita mempunyai tiga image dari orange, banana dan strawberry dalam sebuah folder Fruits. Dari widget Import Images kita kirim tabel data berisi kolom dengan path image ke widget Image Embedding.
-We will use the default embedder SqueezeNet. The widget will automatically start retrieving image vectors from the server.
+Kita menggunakan default embedder SqueezeNet. Widget Image Embedding akan secara automatis start dan akan menerima image vector dari server.
-[[File:ImageEmbedding-Example1.png|center|200px|thumb]]
+[[File:ImageEmbedding-Example1.png|center|600px|thumb]]
-Once the computation is done, you can observe the enhanced data in a Data Table. With the retrieved embeddings, you can continue with any machine learning method Orange offers. Below is an example for clustering.
+Setelah komputasi selesai dilakukan, kita akan dapat melihat data tambahan di widget Data Table. With the retrieved embeddings, you can continue with any machine learning method Orange offers. Below is an example for clustering.
 ==Referensi==

@@ Line 37: / Line 37: @@
 ==Embedder==
-InceptionV3 adalah Google deep neural network untuk  image recognition (pengenalan image). Google InceptionV3 di train pada ImageNet dataset. Model yang digunakan bisa di download dari download.tensorflow.org/models/image/imagenet/inception-2015-12-05.tgz Untuk embedding, InceptionV3 menggunakan activation dari penultimate layer dari model, yang me-representasikan image dengan vector.
+InceptionV3 adalah Google deep neural network untuk  image recognition (pengenalan image). Google InceptionV3 di train pada ImageNet dataset. Model yang digunakan bisa di download dari http://download.tensorflow.org/models/image/imagenet/inception-2015-12-05.tgz Untuk embedding, InceptionV3 menggunakan activation dari penultimate layer dari model, yang me-representasikan image dengan vector.
 SqueezeNet adalah deep model untuk image recognition yang dapat mencapai keakuratan AlexNet-level pada ImageNet dengan 50x lebih sedikit parameter. Model ini di train pada ImageNet dataset. Kita mengimplementasikan ulang SqueezeNet dengan menggunakan weight yang digunakan pembuatnya pretrain model. Kita menggunakan activation dari pre-softmax (flatten10) layer sebagai embedding.
@@ Line 45: / Line 45: @@
 Widget Image Embedding juga memasukan Painters, sebuah embedder yang di train pada 79,433 image dari lukisan oleh 1,584 pelukis yang memenangkan kompetisi Kaggle Painter by Numbers. Activation dari penultimate layer dari network digunakan sebagai embedding.
-DeepLoc is a convolutional network trained on 21,882 images of single cells that were manually assigned to one of 15 localization compartments. We use the pre-trained network proposed by authors. The embeddings are activations of penultimate layer fc_2.
+DeepLoc adalah sebuah convolutional network yang di train pada 21,882 image pada single cell yang secara manual di assign pada salah satu dari 15 localization compartment. Kita menggunakan pre-trained network yang di usulkan oleh pembuatnya. Embeddings menggunakan activation dari penultimate layer fc_2.
 Sebuah artikel oleh Godec et al. (2019) menjelaskan bagaimana kerja embedding dan bagaimana menggunakannya di Orange.

@@ Line 35: / Line 35: @@
 * Access help.
-==Embedders==
+==Embedder==
-InceptionV3 is Google’s deep neural network for image recognition. It is trained on the ImageNet data set. The model we are using is available here. For the embedding, we use the activations of the penultimate layer of the model, which represents images with vectors.
+InceptionV3 adalah Google deep neural network untuk  image recognition (pengenalan image). Google InceptionV3 di train pada ImageNet dataset. The model we are using is available here. For the embedding, we use the activations of the penultimate layer of the model, which represents images with vectors.
 SqueezeNet is a deep model for image recognition that achieves AlexNet-level accuracy on ImageNet with 50x fewer parameters. The model is trained on the ImageNet dataset. We re-implemented the SqueezeNet by using weights from the author’s pretrained model. We use activations from pre-softmax (flatten10) layer as an embedding.

@@ Line 1: / Line 1: @@
 Sumber: https://orange.biolab.si/widget-catalog/image-analytics/imageembedding/
-Image embedding melalui deep neural network.
+Widget Image Embedding melakukan image embedding melalui deep neural network.
 ==Input==
@@ Line 14: / Line 14: @@
 Image Embedding membaca image dan meng-upload-nya ke remote server atau meng-evaluasi image secara lokal. Deep learning model digunakan untuk mengkalkulasi feature vector untuk setiap  image. Dia akan mengeluarkan sebuah enhanced data table dengan tambahan kolom (image descriptor).
-Images can be imported with Import Images widget or as paths to images in a spreadsheet. In this case the column with images paths needs a three-row header with type=image label in the third row.
+Image dapat di import menggunakan widget Import Images atau sebagai path ke image di sebuah file spreadsheet. Dalam hal ini, kolom dengan path image perlu menggunakan three-row header dengan label type=image pada baris ke tiga.
-[[File:Header-example.png|center|200px|thumb]]
+[[File:Header-example.png|center|400px|thumb]]
-Image Embedding offers several embedders, each trained for a specific task. Images are sent to a server or they are evaluated locally on the user’s computer, where vectors representations are computed. SqueezeNet embedder offers a fast evaluation on users computer which does not require an internet connection. If you decide to use other embedders than SqueezeNet, you will need an internet connection. Images sent to the server are not stored anywhere.
+Widget Image Embedding menawarkan beberapa embedder, masing-masing telah di train untuk tugas / task yang spesifik. Image dapat dikirim ke server atau image di evaluasi secara lokal di komputer user, dimana vector representation di hitung. SqueezeNet embedder menawarkan evaluasi yang cepat pada komputer user yang tidak membutuhkan sambungan Internet. Jika kita memutuskan untuk menggunakan embedder lain selain SqueezeNet, kita memerlukan sambungan Internet. Image yang dikirim ke server tidak akan di simpan dimana-mana.
-[[File:ImageEmbedding-stamped.png|center|200px|thumb]]
+[[File:ImageEmbedding-stamped.png|center|600px|thumb]]
 * Information on the number of embedded images and images skipped.