woensdag 1 mei 2019

Lightroom Exit Strategie 2 - De ON1 migration tool aan de tand gevoeld

In December 2017 schreef ik het eerste deel over een Exit Strategie omdat ik vond (en vind) dat je die moet hebben als je met een bepaald ecosysteem werkt. Je wilt daar weer uit kunnen wanneer het moment daar is.

Uiteraard kun je altijd gebruik gaan maken van een ander programma om je foto’s mee te gaan beheren. Je foto’s zitten tenslotte niet echt ‘in’ Lightroom of ON1. Je organisatie (trefwoorden, collecties e.d.), je workflow en je bewerkingen zitten allemaal opgeborgen in de database van het programma dat je gebruikt. Zoals ik destijds schreef zijn er verschillende manieren om de informatie over te hevelen van het oude programma naar het nieuwe. De grootste uitdaging zit hem echter in de bewerkingen die je op je foto’s hebt aangebracht. Daar is hoogstwaarschijnlijk erg veel tijd in gaan zitten (zo niet, dan kun je vrij snel over naar een ander programma) en dat wil je niet allemaal kwijt zijn.

Ik beschreef dat je natuurlijk altijd een hoge resolutie export kunt maken van je foto’s met alle bewerkingen ‘ingebakken’ maar dat heeft belangrijke nadelen zoals dat je opslag enorm toeneemt en je opeens allerhande dubbele bestanden moet gaan beheren. Bovendien is het resultaat niet meer aan te passen.

Dit alles heeft te maken met een beperking van Non-destructieve editors, hoewel die vrijwel alleen voordelen hebben (lees ook deze of deze blog over PIE ware). Vrijwel alle RAW converters zijn namelijk Non destructief omdat ze het originele RAW bestand niet ‘aanraken’. De bewerkingen worden als instructies in de database opgeslagen. Wanneer je de foto dan opent dan worden die instructies eerst toegepast voordat de foto wordt getoond.

Je begrijpt al dat dit lastig is met de migratie van de ene fotobeheerprogramma naar een andere. De genoemde instructies zijn niet compatible dus het nieuwe programma begrijpt ze niet.

Nu heeft ON1 een veelbelovende ingang gevonden om die instructies (althans wanneer je met Lightroom werkte) te reconstrueren met behulp van AI (Artificiële intelligentie)!

De diverse filmpjes die ik erover heb gezien en de artikelen die ik erover heb gelezen zijn indrukwekkend maar toch wil ik graag weten wat ON1 kan doen met een echt representatieve praktijksituatie. Waar loopt het programma tegenaan en met hoeveel tijd moet je rekening houden?

Conclusie:

Helaas is het algoritme nog niet volwassen genoeg om bruikbaar te zijn. Daarnaast is het programma nog erg instabiel. Dit maakt ON1 Photo Raw nog niet het gedroomde alternatief voor Lightroom maar de ontwikkelingen lijken veelbelovend. Wat meer concurrentie voor Adobe is alleen maar goed en op termijn lijkt een goede exit strategie dus daadwerkelijk mogelijk.

Onderzoek:

Ik heb uiteraard verschillen gemerkt in de mogelijkheden en het gebruik van ON1 Photo Raw 2019 (zoals het programma voluit heet) maar daar ga ik deze blog niet nader op in. De focus ligt helemaal op het overbrengen van mijn Lightroom bewerkingen naar ON1 zoals op hun site wordt aangegeven:
Voor deze test maak ik eerst een min-of-meer representatieve catalogus van m’n eigen Master catalogus. Inclusief foto’s is die namelijk te groot om op een externe SSD kwijt te kunnen en ik wil deze test niet op mijn hoofdcomputer uitvoeren. Ik maak dus een selectie van NEF, RAF, DNG’s (Originelen) en JPG, PSD en TIFF’s (derivatieven), met en zonder Virtuele kopieën, met en zonder bewerkingen. Deze catalogus bevat zo'n 10.000 foto’s.

Ik laat de details van mijn testopstelling hier achterwege maar uiteraard deel ik die graag met mensen die zich hier wat verder in willen verdiepen, ik heb alles namelijk wel gedocumenteerd.

Allereerst de stappen die moeten worden doorlopen:

  • Download ON1 Photo RAW 2019.2 (30 dagen trial). Je hoeft alleen je e-mail-adres op te geven en het land waarin je woont, daarna start de download automatisch. Daarna kun je het bestand dubbelklikken om het te installeren.
  • Er is ook een video die de overgang van Lightroom naar ON1 uitlegt: 
  • Tijdens de installatie wordt er een plug-in geïnstalleerd in Lightroom die je straks nodig hebt voor de migratie: 
  • De ‘Migrationtool’ waarover wordt gesproken op de ON1 website is overigens niet meer dan een pagina met (Engelstalige) gedetailleerde instructies: https://on1help.zendesk.com/hc/en-us/articles/360018410051. De ‘echte’ migrationtool is ingebouwd in ON1 Photo RAW gecombineerd met de plugin die zich in Lightroom genesteld heeft.
  • Open Lightroom en ga naar Bestand/Plug-inopties/Migrate Catalog to ON1 Photo 
Wanneer je deze optie aanklikt opent een dialoogscherm.
Op de site van On1 spreekt men over Path1 en Path2 maar die termen zie je in de tooling nergens terugkomen. In plaats daarvan 4 tabbladen, Intro, Prepare, Settings en Copies.

Intro

Hier worden de stappen beschreven en kun je doorklikken naar meer details (Learn more)


Prepare


Ook onder deze tab gebeurt er nog niets behalve dat er nog wat aanvullende informatie wordt getoond.

Settings


Alle organisatie en bewerkingen die in LR zijn gedaan worden overgenomen. Dit komt overeen met wat op de site van ON1 met Path1 wordt bedoeld.

Beide opties aangevinkt, dit is namelijk waar het in deze test om gaat!

Copies
Hiermee wordt alleen de folderstructuur overgenomen. Dit komt overeen met wat op de site als Path2 wordt beschreven.

De optie met ‘Copies’ is weliswaar sneller dan de optie onder ‘Settings’ maar eigenlijk is dit alleen interessant wanneer je geen non-destructieve bewerkingen hebt. Dit is bijvoorbeeld het geval wanneer je foto’s niet bewerkt of wanneer je dit altijd met een pixel editor (zoals photoshop) doet.

Deze optie creëert kopieën van foto’s met de ontwikkelinstellingen (adjustments) als het ware ‘ingebakken’. Deze komen in dezelfde folder terecht als de originele foto’s. Deze optie om te migreren vanuit LR bestond al langere tijd en daar ga ik in deze blog niet verder op in

Concrete bevindingen:

De export vanuit Lightroom (ca 10.000 foto’s) duurt 3,5 uur

Het aantal foto’s dat wordt geëxporteerd (4919) komt NIET overeen met het aantal foto’s in de catalogus (9826). Dit verschil is niet te verklaren uit virtuele kopieën (110). Er ontbreken ook geen foto’s. In ON1 is het aantal ‘binnengekomen’ foto’s niet zien. Het is dus niet duidelijk of dit ze allemaal zijn. Nader onderzoek is nodig.

Wanneer Lightroom klaar is met exporteren start ON1 automatisch op. Er zijn dan ‘Cataloged Folders’ beschikbaar waarin de foto’s staan die vanuit Lightroom ‘binnen’ zijn gekomen. Die zijn echter dan nog niet klaar, ze moeten eerst nog geprocessed worden (geconverteerd):


Het programma is niet erg stabiel in het verwerken van deze hoeveelheid foto’s. Op een gegeven moment reageert hij nergens meer op en moet hij geforceerd herstart worden. Pas daarna wordt ook de status (zoals hierboven te zien) zichtbaar. Het programma is enkele tientallen malen ‘onverwacht gestopt’:


Telkens wel een melding gedaan zodat ON1 hopelijk iets kan doen met de informatie om het programma stabieler te maken. Na drie dagen staat de status op 80%.

Zolang ON1 bezig is met de conversie zie je een klein LR ‘badge’ rechtsonder in de hoek van de foto staan (alleen in thumbnail view):

Deze badge verdwijnt zodra ON1 de betreffende foto heeft verwerkt.

Hoewel ik Lightroom in het Nederlands gebruik is ON1 alleen in het Engels, dit is volgens mij niet in te stellen.

De ‘Virtuele kopieën’ in Lightroom worden ‘Versions’ in ON1 Photo Raw. Dit gaat goed bij alle steekproeven die ik heb genomen. Vreemd is dat ON1 veel meer bestanden creëert dan verwacht:

In Lightroom is er 1 origineel en 1 virtuele kopie:

In Finder wordt naast het origineel alleen een tijdelijk ON1 bestand getoond:

in ON1 worden echter naast het origineel opeens 8 ‘versions’ getoond:

Waar deze vandaan komen of waar ze voor nodig zijn is niet duidelijk.

Trefwoorden (Keywords)
Wat bij de conversie verder opviel is dat de trefwoorden bij alle steekproeven identiek overkwamen. De hiërarchie zoals in Lightroom ontbrak maar dat was verwacht. Pas in de mei editie van ON1 Photo Raw worden Hiërarchische trefwoorden ondersteund. Of ze vanaf dat moment ook goed meekomen vanuit Lightroom is dan natuurlijk nog wel de vraag.

Copyright, Caption, Sterwaardering e.d. komen allemaal mee zoals in Lightroom.

GPS
Een opvallende afwezige bleek de GPS (locatie) informatie. ON1 heeft daar wel een veld voor maar die wordt niet gevuld met de informatie die hetzelfde veld in Lightroom heeft.

AI Algoritme voor het reconstrueren van de bewerkingen
Hier was het me in de test primair om te doen maar zoals ik al aan het begin schreef is dit algoritme nog niet uitgekristalliseerd. 

Hieronder enkele concrete voorbeelden. Die heb ik niet hoeven zoeken, ze deden zich vrijwel meteen voor. Het lijkt erop dat ON1 Photo Raw vooral moeite heeft met lokale bewerkingen.

Voorbeeld 1 - lucht

Dit is de foto zoals ON1 die liet zien voordat deze ‘verwerkt’ was (toen de LR 'badge' nog zichtbaar was). Het betreft dus de preview / voorvertoning zoals die in het RAW bestand ingekapseld was. 

Dit was hoe ik de foto bewerkt had in Lightroom. Horizon rechtgezet, belichting en contrast in de lucht aangepast.

En dit is wat ON1 er van heeft gemaakt.

Voorbeeld 2 – Crop en achtergrond blurren

Uitsnede in Lightroom waarbij ik de achtergrond nog wat zachter heb gemaakt.

ON1 neemt de Crop goed over maar de achtergrond komt er heel vreemd uit te zien. Ook nu weer heeft ON1 meerdere (8 stuks) versions aangemaakt zonder dat duidelijk is waarom. In Lightroom was er 1 virtuele kopie naast het origineel.

Voorbeeld 3 – Zwart/wit omzetting

Dit betrof een min-of-meer recht-toe-recht-aan zwart/wit omzetting: 

De zwart/wit omzetting in Lightroom. 


In ON1 ziet het resultaat er weliswaar iets anders uit maar voor het eerst is het wel echt bruikbaar. Ook hier heeft ON1 vijf versions meer dan virtuele kopieën in Lightroom.

Voorbeeld 4 – geretoucheerd in Photoshop

Dit betrof een foto waarbij ik in Photoshop een takje weg had geretoucheerd. Het resultaat is als TIF opgeslagen en in Lightroom ondergebracht.


Dit maakt het AI algoritme van ON1 Photo Raw ervan.

Voorbeeld 5 – Lightroom Panorama

Dit is een Panorama die in Lightroom is gemaakt uit een aantal RAW bestanden. Het resultaat is een nieuw DNG bestand.

Dezelfde foto is in ON1 helemaal niet herkenbaar meer.

Voorbeeld 6 – Waddenlandschap (lucht)

Op zich een vrij recht-toe-recht-aan bewerking, de lucht is licht aangepast.

Dit maakt het AI algoritme van ON1 Photo Raw ervan. 

De voorbeelde spreken, denk ik, voor zich. Vandaar ook mijn conclusie dat het AI algoritme van ON1 voor het converteren van Lightroom bewerkingen naar ON1 bewerkingen nog niet volwassen genoeg is.

Desondanks is het wel een hele interessante ontwikkeling om te blijven volgen!


vrijdag 12 april 2019

Wees je eigen jury


Gisteren bij de bekendmaking van de World Press Photo van he
t jaar moest ik denken aan de manier waarop die geselecteerd moet zijn. Dit jaar waren er 78.801 inzendingen en dat is heel wat meer dan het aantal foto’s waarmee ik thuis kom na een opdracht of vakantie. 

In dit geval moesten meerdere mensen (dit jaar 4738) al die duizenden foto’s door en de ene foto hoger of lager waarderen dan de andere totdat de beste foto’s kwamen bovendrijven.

Als eerste helpt het natuurlijk om categorieën te hanteren om de verschillende foto’s van elkaar te onderscheiden zoals portretten, natuur en sport. Een fotobeheerprogramma kent daar vaak verschillende manieren voor zodat je hiervoor geen folders hoeft te gebruiken. Dit is namelijk ongewenst vanuit meerdere perspectieven. Zo is het rondpompen van bestanden een crime voor je back-up strategie maar belangrijker nog; een foto kan maar in één map staan. In werkelijkheid komt een foto vaak voor in meerdere categorieën. Dat lukt dus niet met mappen tenzij je kopieën maakt en dat is nog ongewenster dan het rondpompen van bestanden. Hier schreef ik eerder al eens over (link).

De rangschikking binnen zo’n categorie gebeurt meestal met behulp van een sterwaarderingssysteem waarin 0 of 1 ster de laagste waardering is en 5 de hoogste. Wanneer je met een paar duizend mensen de beste foto probeert te vinden is het natuurlijk belangrijk om dezelfde criteria te gebruiken voor deze waardering. Wanneer is het nu 2 sterren en wanneer 3? Echter geldt dit net zo goed wanneer je de enige bent die door al je (vakantie)foto’s worstelt. Ook dan kan het helpen om een checklist te hebben waaraan je toetst. De criteria bepaal je natuurlijk zelf, ter illustratie hieronder de (huidige…) mijne:

Toch is het nog steeds lastig

Ook wanneer je zo’n checklist uitprint en naast je monitor legt blijft het lastig. De mens is namelijk vrij slecht in zaken in absolute zin inschatten (is deze 2 of 3 sterren?). 
Echter is de mens juist weer heel goed in ze relatief tegen elkaar af te zetten (is deze beter dan de ander?). Hier kun je dan ook goed gebruik van maken.

Een methode die ikzelf steeds vaker gebruik is te beginnen met de hele set nieuwe foto’s. Ik beoordeel dan of ik de foto wil houden of niet. Concreet krijgen de foto’s dan 1 ster (keepers) of een X (die gooi ik later dan in één keer weg). Dat gaat echt heel snel.

In de volgende stap selecteer ik alle nieuwe foto’s met 1 ster en doe dan hetzelfde. Ik stel me dan de vraag: wil ik deze foto alleen houden vanwege de emotionele waarde / ‘voor het geval dat’ of is het een foto die ik daadwerkelijk zou willen gebruiken? Bijvoorbeeld om te delen met anderen (Facebook, fotoalbum, whatsapp groep, etc). Die foto’s krijgen dan 2 sterren. Ook dit gaat vrij snel, in het geval van twijfel geef ik altijd twee sterren.

Doordat de foto’s naast elkaar staan kun je vrij snel ‘switchen’ tussen de ene opname uit een shoot en een andere. Over het algemeen kun je dan vrij snel beoordelen welke van de 2 (of meer) beter is dan de andere. De meeste fotobeheerprogramma’s hebben daar zelfs een speciale vergelijkingsmogelijkheid voor. Daar kom ik later nog even op terug.

Deze stappen herhaal ik totdat ik geen verschil meer zie. Ik forceer dus geen keuze totdat ik bij 5 sterren uitkom! Het komt zelfs vaak genoeg voor dat ik na een shoot alleen maar 1 en 2 sterren foto’s heb (en rejects natuurlijk). Dit is mijn huidige verdeling:


De verhouding is ruwweg 1 op 10, geïnspireerd op het Piramidesysteem van Peter Krogh. Hierover schreef ik al eens op deze blog (eerste keer en de tweede keer).

Vergelijkingsopties

Fotobeheerprogramma’s als Lightroom hebben een mogelijkheid waarmee je foto’s nog beter met elkaar kunt vergelijken. In Lightroom heeft dit ‘Vergelijkingsweergave’, je vergelijkt dan twee foto’s met elkaar. Wanneer je bijvoorbeeld inzoomt op de ene foto dan zoom je automatisch ook in op de foto waarmee je vergelijkt (om de scherpte te beoordelen bijvoorbeeld).


Bij een grotere reeks foto’s die erg op elkaar lijken kun je zelfs één foto ‘vastzetten’ en dan in het tweede scherm telkens een nieuwe foto uit de reeks er naast zetten. Wanneer die dan beter is dan het vergelijkingsmateriaal dan ‘promoveer’ je die foto tot ‘Eerste keuze’ (zo heet dit in Lightroom) en ga je vervolgens verder met de rest. Kom je nog een betere foto tegen dan bombardeer je die tot ‘Eerste keuze’. De winnaar van dit traject krijgt dan de hoogste sterwaardering zodat je deze handelingen later niet nog eens over hoeft te doen.

maandag 4 maart 2019

31 maart - Wereld Back-up Dag – ook voor Fotografen!



Op 31 maart is het weer Wereld Back-up Dag!


Blijkbaar is het nog steeds nodig om hier aandacht aan te besteden aangezien slechts 30% van de mensen regelmatig een back-up maakt. laat dat eens rustig op je inwerken.

Behoor jij tot die 70% die zijn/haar back-up niet (goed) geregeld heeft, probeer je dan eens voor te stellen dat je (een deel van) je foto’s kwijt zou raken…

Veel mensen zien op tegen het inregelen van een back-up en stellen het daarom uit. Anderen willen eerst een goede strategie uitwerken en die dan ‘netjes’ gaan inregelen. In de praktijk komt het er daarom vaak niet van (of niet op tijd). Mijn advies is: doe het alsnog, het liefst vandaag!

Om je te helpen heb ik een whitepaper gemaakt:

Het eerste hoofdstuk beschrijft een hele eenvoudige opzet waarmee iedereen meteen zou moeten kunnen starten en die bovendien niet al te duur is. Het begin is er dan, finetunen kan daarna.

Verdieping is in genoemde whitepaper aangebracht in de latere hoofdstukken. Die behandelen allemaal verschillende invalshoeken rondom de back-up van je foto’s. Met name interessant voor degenen die hun reeds ingeregelde back-up willen finetunen of mijn aanpak willen spiegelen aan hun eigen aanpak. Uiteraard krijg ik er graag feedback op zodat ik volgend jaar een betere versie kan publiceren!

Inhoudsopgave van de whitepaper:


1. Hoofdstuk en inhoud van de whitepaper
2. Hoe richt je snel en pragmatisch een goedkope back-up in?
3. En RAID dan?
4. NAS
5. Lightroom back-up opgehelderd
6. Praktijkvoorbeeld
7. Online back-up

De volledige whitepaper kun je hier gratis downloaden.

Hier is een link naar de website naar de Nederlandstalige versie van worldbackupday.





vrijdag 8 februari 2019

AI in Fotografie




AI staat voor Artificial Intelligence en dat betekent weer zoiets als kunstmatige intelligentie. En ja, die kan ook worden gebruikt binnen de fotografie zoals ik al eens schreef (Mooie foto’s zoeken).

Zoeken is niet altijd vinden
Ik ben al vaker ingegaan op het weer terugvinden van foto’s en tot voor kort was het belangrijkste gereedschap de trefwoorden die je aan de foto mee had gegeven. Geen trefwoorden, dan moest je de foto’s stuk voor stuk optisch ‘scannen’.

Bij het meegeven van trefwoorden is de discussie vaak of je dan ook het meervoud en vervoegingen moet meegeven voor een beter zoekresultaat. Zoek je op foto’s waar boeken op staan dan is het veilig om te zoeken op ‘boek’ omdat dan automatisch ook de foto’s met het trefwoord ‘boeken’ tevoorschijn zullen komen. Er zijn echter ook talloze woorden die niet simpelweg ‘verlengd’ worden om er meervoud van te krijgen. Neef/Neven, Meer/Meren, Datum/Data, etc.

En wat denk je van synoniemen? Het is erg veel werk om die allemaal te verzinnen voor een bepaald onderwerp en die vervolgens als trefwoord mee te geven. Dit terwijl de kans erg groot is dat wanneer je een bepaalde foto zoekt je op dat moment een ander trefwoord gebruikt om te zoeken (Milieu) dan dat je oorspronkelijk aan de foto hebt meegegeven (Natuur). 
Met betrekking tot de dilemma’s die dit oplevert schreef ik 10 jaar geleden het artikel ‘Kewording’ en waarvan de kern is: laat de zoekmachines zich druk maken om vervoegingen, meervoudsvormen en vertalingen van trefwoorden. Dat kon toen nog niet maar tegenwoordig hebben we AI, toch?

Met de beeldherkenningsalgoritmes van AI zou de computer je moeten kunnen vertellen wat er op een foto staat en hoewel dat nog niet volledig lukt worden er wel resultaten geboekt. De overheersende kleur bijvoorbeeld kan al vrij lang worden herkend en het wordt steeds nauwkeuriger. Gezichtsherkenning, welke voorwerpen er op de foto staan en in wat voor omgeving de foto is gemaakt.

En tenslotte heb je nog conceptuele begrippen als geluk, toekomst e.d. Zelf heb je natuurlijk direct een bepaald beeld bij een foto die je gemaakt hebt maar iemand anders heeft dat niet automatisch. Het is dan ook heel waardevol om dit soort conceptuele begrippen meteen als trefwoord, titel of omschrijving mee te geven omdat dit het aller lastigst is voor de computer (lees AI) om te herkennen. Echter maakt AI ook op dit vlak vorderingen!

Voorbeelden
Onderdeel van Adobe’s CC suite (Creative Cloud) is hun zoekengine ‘Sensei’. Ikzelf heb het fotografie abonnement (Lightroom en Photoshop) en wanneer ik foto’s synchroniseer met de cloud kan ik daar foto’s terugvinden met trefwoorden die ik nooit aan foto’s heb meegegeven. In onderstaand voorbeeld bijvoorbeeld. Daar heb ik gezocht op ‘toekomst’ met 1 foto in het zoekresultaat:



Volledigheidshalve: ‘toekomst’ had ik dus niet als trefwoord meegegeven:



Kortom, de algoritmes van Adobe hebben deze foto dus gekoppeld aan het begrip ‘toekomst’ en ik moet zeggen dat ik daar wel wat logica in zie. Daar staan overigens ook weer zoekresultaten tegenover waar ik minder tevreden over ben maar de algoritmes worden steeds beter en je kunt er zelf meteen feedback op geven:


Een tweede functie die Adobe sinds kort beschikbaar stelt als ‘Technology preview’ is het zoeken van de beste foto in een album. Dit wordt ook gedaan op basis van AI algoritmes:

Deze Adobe technologie is helaas alleen online beschikbaar. In de ‘Classic’ editie van Lightroom werkt het helaas niet en ik betwijfel ook of het daar in komt. Lightroom Classic CC maakt weliswaar onderdeel uit van de CC abonnement maar wellicht is het lastig om de Sensei technologie te ontsluiten in desktop applicaties.

Online werken de algoritmes best goed en het is leuk om te zien dat Lightroom andere keuzes maakt in wat je beste foto’s zijn dan jezelf. Zoals je hier ziet staan er weliswaar twee foto’s tussen die ikzelf met 5 sterren had gewaardeerd maar er waren er nog twee in hetzelfde album maar die slaat Lightroom dus over ten gunste van andere foto's die ikzelf met 3 of 4 sterren had gewaardeerd. 
Je kunt overigens invloed uitoefenen in wat Lightroom als zoekresultaat toont:
  • Zo kun je de drempel aanpassen waardoor je meer of minder resultaten krijgt
  • Je kunt je eigen sterwaardering mee laten wegen 
  • En je kunt foto’s waar mensen op staan zwaarder mee laten wegen 

Ook andere partijen maken gebruik van AI algoritmes om foto’s te vinden. 

  • Zo maakt Excire een plugin voor Lightroom Classic CC voor het automatisch toevoegen van trefwoorden en iedereen kent GoogleImage Search natuurlijk wel, daar schreef ik eerder dit artikel over met dit voorbeeldfilmpje.
  • Microsoft gebruikt AI om automatisch transcripts te maken uit video- en audiobestanden op SharePoint en OneDrive locaties (link).
  • Colourise kleurt zwart foto's in met behulp van AI (link).
  • ON1 gebruikt AI om de ontwikkelinstellingen van Lightroom te reconstrueren binnen ON1 Photo Raw 2019 (link)

Onderzoek naar algoritmes
Vanuit onderzoek aan de universiteit van Pennsylvania is Acquine ontstaan, Aesthetic Quality Inference Engine. Deze is (op dit moment in ieder geval) publiekelijk toegankelijk en je kunt je foto’s uploaden om te laten beoordelen (link) op esthetische kwaliteiten:

In dit geval geeft Acquine mijn foto drie sterren. Ik zou de waardering aan kunnen passen en daarmee geeft ik feedback waarmee het algoritme verder wordt ‘getraind’.
Acquine stelt ook een iets andere uitsnede voor maar het verschil is (in dit geval) heel klein.

De onderzoekers beschrijven Acquine het als een eerste stap om te herkennen hoe mensen reageren op beeldmateriaal en de engine moet beschouwd worden als een demo van de theorie die de onderzoekers publiceren in deze paper: pdf. Zeker de moeite van het lezen!

Een tweede interessante bron waar ik tijdens het schrijven van deze blog op terecht kwam is de pagina van James Z. Wang (link).


Wang verwijst naar zowel Acquine als andere interessante ontwikkelingen op het gebied van ‘content based image search’ en ‘automatic learning-based indexing’ als Oscar, Alipr, Story Picture Engine, Imagination Captcha, Simplicity, Art and Cultral Heritages, Sattelite Imagery, Virtual Microscope, Clue, Unified Feature Matching, Wipe, a-LIP etc.

Hij geeft aan dat de Riemann Hypothese in al deze onderzoeken een belangrijke rol speelt:


James Wang schrijft “We zijn geïnspireerd door het feit dat de Riemann-hypothese nog steeds een van de belangrijkste onopgeloste problemen in de wiskunde is. Daarmee is Intelligente media notatie een van de belangrijkste onopgeloste problemen in computer- en informatiewetenschappen. Wij proberen dit aan te pakken”.

Kortom, we kunnen op dit vlak de komende tijd nog veel verwachten.

dinsdag 1 januari 2019

Terugblik op 2018




Een overzicht van alle artikelen van het afgelopen jaar plus een download van alle historie terug tot aan 2008!

JANUARI 2018

Batchgewijs aanpassingen aanbrengen aan grote groepen foto’s tegelijk kan je veel tijd besparen.  

FEBRUARI 2018

Ingegaan op de toegevoegde (organisatorische) functies als ‘geneste mappen’ en verzamelingen van mappen en geolocaties.

MAART 2018

Naast het artikel is er een download van een Whitepaper over ‘Foto Back-up en zo’ beschikbaar gesteld. Dit in het kader van 31 maart ‘Wereld Back-up dag’.

Een tijd lang heeft Adobe geen PDF handleidingen beschikbaar gehad voor de meeste van hun applicaties maar alleen online documentatie. Nu zijn er toch weer PDF’s beschikbaar. Een overzicht.

APRIL 2018

De Hiërarchische trefwoorden van Lightroom kun je gebruiken bij (bijvoorbeeld) het reorganiseren van je trefwoorden. Dit kan zowel met ‘echte’ categorieën als (mogelijk tijdelijke) ‘helper’-trefwoorden als ‘A’, ‘B’ e.d.

MEI 2018

Je kunt alleen op een back-up vertrouwen wanneer je weet dat die goed is. Daarom moet je hem af en toe testen en hier beschrijf ik hoe dat in een Lightroom situatie kan.

JUNI 2018
In Lightroom kunnen er verschillende lettertekens bij foto’s staan maar wat betekenen ze?

JULI 2018

Hoewel ik de term ‘Helpertrefwoord’ al eerder in artikelen hebt gebruik geef ik hier een gedetailleerde beschrijving over het nut ervan en over hoe ik ze toepas.



AUGUSTUS 2018
De ‘Workflow Smart Collection’ van John Beardsworth nader bekeken

Een beschrijving van de Lightroom workflow zoals John Beardswort die bedacht heeft. Aangevuld met mijn eigen visie daarop.



SEPTEMBER 2018

Over waarom het jammer is dat het veld met fotobeheerapplicaties weer verder uitdunt.

OKTOBER 2018

DNG’s kun je maken met zowel Lightroom als DNG converter. Echter het weer distilleren van de RAW’s vanuit dergelijke DNG’s kan alleen met DNG converter.

NOVEMBER 2018

Laagdrempelig kennismaken met Stock fotografie.

DECEMBER 2018

De 1-100 schaal van Lightroom vergeleken met de 0-12 schaal die Photoshop hanteert.

Voor de mensen die m’n blog volgen en eens een artikel terug willen zoeken heb ik een index gemaakt met een vergelijkbaar overzicht als dit maar dan tot aan 2008. Dit overzicht kan hier gedownload worden.