הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.
מאמר מחקר
מאמר זה מציג תהליך עבודה חישובי בפיקוח אנושי לבחינת ייצוגים חוזרים של נשים ב-433 ציורי ייצוא סיניים מתקופת שושלת צ'ינג. שבע קטגוריות התייחסות אנושיות ורמזים חזותיים חוזרים מאפיינים את הדפוסים בתוך המאגר, בעוד שהממצאים מוגבלים לתמונות שנמדגנו ואינם מודדים את המציאות החברתית של תקופת צ'ינג או את התקבולות ההיסטוריות.
מחקר זה בחן ייצוגים חוזרים של זהות נשית ורמזים חזותיים המקודדים מעמד חברתי בקורפוס של 43 ציורי ייצוא סיניים מתקופת צ'ינג מהשנים 1757–191. זרימת העבודה שילבה את CLIP ViT-B/32 לסימון ראשוני, לוקליזציה בעזרת Segment Anything Model (SAM), הפחתת ממדיות ואשכול (clustering), וקידוד איקונוגרפי ידני על ידי שני מקודדים בלתי תלויים. תוויות CLIP שימשו לארגון ראשוני, SAM שימש כעזר ללוקליזציה, וקידוד אנושי שנשפט סיפק את קטגוריות הייחוס. התוצאות המצטברות זיהו שבע קטגוריות ייחוס אנושיות: עילית/יופי (n = 12), עובדת (n = 72), ביתית (n = 64), משרת (n = 58), טקס/חתונה (n = 45), שוק (n = 43), ומבצעת/אמנית (n = 39). תוויות חישוביות ראשוניות תאמו את תוויות הייחוס האנושיות ב-356 מתוך 43 ציורים (82.2%), כאשר ה-recall ברמת הקטגוריה נע בין 73.3% ל-8.4%. שילובים חוזרים של לבוש, הגדרה מרחבית, חפצים, תנוחה ויחסים חברתיים מתוארים שימשו לאפיון הפרופילים החזותיים של קטגוריות אלו. הערכה של 43 זוגות תוויות בינה מלאכותית-אדם ברמת המקרה הניבה מדדי דיוק (precision), recall ו-F1 מקיפים ברמת הקטגוריה, לצד מטריצת בלבול המפרטת את דפוסי הסיווג. תיקוף האשכולים תמך בפתרון האשכול שנבחר והדגים התאמה בין האשכולים שהופקו לבין קטגוריות הייחוס שהוגדרו על ידי בני אדם. באופן כללי, שילובים חוזרים של לבוש, הגדרה מרחבית, חפצים, תנוחה ויחסים חברתיים מעידים על טיפולוגיות ציוריות דפוסיות בתוך הקורפוס שנמדגם. ממצאים אלו מאפיינים את הייצוג החזותי בציורי ייצוא סיניים מתקופת צ'ינג, אך אין לפרשם כמדדים ישירים של מעמד משפטי, חוויה חיה, דרישת שוק או קבלה זרה היסטורית.
ציורי ייצוא סיניים מתקופת שושלת צ'ינג היוו חלק מהרשתות המסחריות והתרבותיות שקישרו בין קנטון ומרכזי איסוף אחרים לבין קונים אירו-אמריקאיים החל מסוף המאה השמונה-עשרה1,2,3,4,5. סוחרים, מטיילים, דיפלומטים, מיסיונרים ואספנים רכשו ציורים אלה כסחורות ניידות, כמזכרות, כמקורות למידע חזותי וכייצוגים של מקומות, מקצועות, ייצור, מנהגים וסוגים חברתיים. לפיכך, תפוצתם שיקפה הן את שיטות העבודה בסדנאות הסיניות והן את ציפיותיהם של השווקים החיצוניים.
הביקוש הזר העדיף נושאים מוכרים, פורמטים סדרתיים, מוטיבים חוזרים וסצנות שניתן היה לאסוף ולהשוות ביניהן. סדנאות התאימו את המדיום, הקנה, הקומפוזיציה ואת נושאי היצירה לצורכי מכירה, בעוד שקונים העדיפו לעיתים קרובות תיאורים ברורים של מקצועות, טקסים, חללים פנימיים, גנים, רחובות וטיפוסים חברתיים ציוריים. גרסאות חוזרות של סצנות מסדנאות קנטון מדגימות עוד יותר כיצד אמנים ועוזריהם התאימו את האיקונוגרפיה ואת אמצעי התיאור המערביים עבור פטרונים מעבר לים1,2,3,4,5. אף על פי שייתכן שביקוש השוק השפיע על מה שהופק ונשמר, הקורפוס הנוכחי אינו מודד באופן ישיר את העדפותיהם או את תגובותיהם של קונים בודדים.
לפיכך, יש להתייחס לציורים אלו כמקורות סלקטיביים ומתווכים ולא כתיעודים מקיפים של חיי היומיום. הסצנות המוצגות בהם עשויות להעלות על נס, לפשט, לנרמל או להתאים פרקטיקות חברתיות באמצעות מוסכמות של בתי מלאכה, ברירה שיווקית, רכישה על ידי מוזיאונים, קטלוג ודיגיטציה1,2,3,4,5. פרשנות היסטורית חייבת להבחין בין מאפיינים הניתנים לצפייה ישירה בציורים לבין הסקות לגבי הפרטים המיוצגים, תנאי הייצור והמשמעויות שייחסו ליצירות צופים מאוחרים יותר.
דמויות נשיות מספקות אמצעי ממוקד לבחינת הבחנה זו. לבוש, תסרוקת, תנוחה, רקע מרחבי, חפצים, פעילויות ומערכות יחסים עם דמויות אחרות יכולים לסווג נשים לתפקידים חוזרים מבחינה חזותית, הכוללים קטגוריות של עילית/יופי, ביתיות, משרתות, עובדות, שוק, ביצועים וטקסים/חתונות. קטגוריות אלו הן תיאורים אנליטיים של דפוסים ציוריים ואינן קובעות, כשלעצמן, דרגה משפטית, עושר, מקצוע, אתניות, שיוך ל-Banner או ל-Han, אופי מוסרי או זהות חווית.
היסטוריה של אמנות דיגיטלית וראייה ממוחשבת יכולות להקל על ביצוע השוואות רחבות היקף של אוספים חזותיים שסורקו, ובמקביל לאפשר בחינה ביקורתית של ההנחות המוטמעות במודלים חישוביים6,7. מודלים של ראייה-שפה יכולים לסייע בזיהוי וארגון של מוטיבים חזותיים חוזרים, אם כי הטיות תרבותיות נותרות מגבלה משמעותית כאשר אוצרות מילים של מודלים עכשוויים מיושמים על תמונות היסטוריות שאינן מערביות8. מחקר חישובי דומה על ציור סיני מסורתי מדגים באופן דומה את הערך שבשילוב של זיהוי תבניות כמותי עם פרשנות מבוססת ידע היסטורי9.
מחקר זה עוסק בשלוש שאלות: (1) אילו קטגוריות של זהות נשית המקודדות על ידי בני אדם ומקובלות בשיפוט מוצגות במאגר? (2) אילו שילובים של לבוש, סביבה מרחבית, חפצים, תנוחה ויחסים חברתיים מאפיינים קטגוריות אלו? (3) כיצד משתנים הדיוק הכולל בהתאמה מדויקת והחזר (recall) ברמת הקטגוריה בין שבע הקטגוריות? זרימת העבודה מתבססת על גישות חישוביות לציור סיני מסורתי9, תוך הגבלת הטענות ההיסטוריות לתמונות שנמדגו ולניתוחים המתועדים.
התרומה המיועדת היא הן היסטוריוגרפית והן טכנית. השוואה בקנה מידה של קורפוס יכולה לזהות נוסחאות ציוריות חוזרות שניתן להקשיר לאחר מכן באמצעות ניתוח היסטורי מעמיק. גישה זו יכולה להעשיר מחקרים על מגדר, היררכיה, ייצוגים של חיי היומיום ומפגשים בין-תרבותיים, מבלי להתייחס לשכיחות של תמונה כראיה לשכיחות חברתית או לדמיון חזותי כהוכחה לזהות היסטורית.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
מבנה המחקר ויחידה אנליטית
כל ציור או רשומת קטלוג נחשבו כיחידה אנליטית אחת. נעשה שימוש במערך תצפיתי מבוס-קורפוס, המשלב סקירת מטא-נתונים, ארגון חישובי ראשוני, קידוד ידני עצמאי ופרשנות של תולדות האמנות. תקופת המחקר הוגדרה כ-1757–1911, וקריטריונים להכללה ולהדרה הוחלו בתוך מסגרת זמן זו. יצירות אמנות היסטוריות ומטא-נתוני הקטלוג המשויכים אליהן נותחו. כאשר הושוו התפלגויות לאורך מרווחי תאריכים באורכים שונים, נורמלו הספירות לפי משך המרווח, בעוד שהטיות אפשריות של הישרדות ורכישה נלקחו בחשבון בפרשנות.
בנייה ובחירה של קורפוס
רשומות מועמדות נשלפו מקטלוגי המוזיאונים שצוינו, מארכיונים דיגיטליים ומקטלוגים שפורסמו. עבור כל רשומת מועמד, נשמרו המוסד, הכותרת, התאריך או טווח התאריכים, המדיום, מספר הרישום או הקטלוג, כתובת URL יציבה של המקור, תאריך השליפה והצהרת הזכויות. קישורי המקור נשמרו גם כאשר לא ניתן היה להפיץ באופן חוקי את קובץ התמונה התואם. הליך הסינון המדווח החל עם 612 תמונות מועמדות. מתוכן, 85 נפסלו מכיוון שנפלו מחוץ לתקופה של 1757–191 או מחוץ למסורת של ציורי ייצוא, 58 נפסלו מכיוון שהיו רפרודוקציות מודרניות, רשומות מטושטשות או תיארו נושאים שגויים, 29 נפסלו בשל חסרונה של דמות נשית הניתנת לזיהוי או רזולוציית תמונה לא מספקת, ו-7 נפסלו עקב מטא-דאטה לא מספיק. הקורפוס האנליטי הסופי כלל 433 רשומות.
סטנדרטיזציה של מטא-נתונים ועיבוד מקדים של תמונות
לכל ציור בקורפוס האנליטי הסופי הוקצה מזהה QEP יציב בטווח שבין QEP_01 ל-QEP_43. מטא-נתונים נלווים מהמוזיאונים נשמרו, כולל המוסד, מספר הרישום, הכותרת, התאריך, המדיום או החומרים, מקור המוצא, קישור למקור ותיאור קטלוגי זמין. לצורך ניתוח חזותי, תועדו התווית הראשונית של ה-AI, הקטגוריה האנושית שנקבעה, מספר הדמויות הנשיות, קבוצת גיל, תנוחה, לבוש, הגדרה מרחבית, חפצים נלווים ויחסים חברתיים. כל ציור סווג לאחת משבע קטגוריות עיקריות: עילית/יופי, ביתית, משרתת, עובדת, שוק, מופיעה, או טקס/חתונה. בסצנות המכילות מספר דמויות נשיות, זוהתה הדמות המרכזית על פי בולטות חזותית ומרכזיות נרטיבית. כאשר לא הייתה דמות נשית אחת דומיננטית, נקבעה הקטגוריה העיקרית על בסיס הפעילות המרכזית המתוארת וההקשר הכללי של הסצנה. חפיפות בין קטגוריות נפתרו על ידי מתן עדיפות לפעילות המתוארת ולהקשר הסצנה על פני הלבוש או המראה לבדם. מקרים מעומתים נסקרו באופן עצמאי על ידי שני המקודדים ונפתרו באמצעות הגעה לקונצנזוס. תמונות המקור נשמרו בפורמט JPEG או PNG. רק גבולות דפי אינטרנט, מסגרות קטלוג או שוליים שאינם חלק מהתמונה נגזרו. תוכן הציור לא שוחזר, לא נצבע מחדש, לא שופר ולא הוחזר למצבו המקורי.
סימון ראשוני מבוס CLIP
מקודד התמונות CLIP ViT-B/32 שימש לניתוח ראשוני של דמיון בין תמונות לטקסט9. מונחי זהות מועמדים כללו elite woman, domestic woman, female servant, working woman, market woman, female performer, bride, ו-ritual woman. מונחי סצנה כללו Chinese interior, garden, street market, workshop, tea production, textile work, ו-ceremonial scene. קבוצה מלאה של תבניות הנחיה (prompt templates), סדרן, כל שילוב הנחיות (prompt ensembling), נהלי נרמול טקסט, כללי החלטה, ציוני ביטחון ותיקונו נשמרה עבור כל תמונה.
רשימת ההנחיות המלאה הוחלה באופן עקבי על כל התמונות באמצעות מודל OpenAI CLIP ViT-B/32 שיושם ב-Python 3.10 עם PyTorch 2.0.1 וחבילת OpenAI CLIP. ההסקה בוצעה על GPU התומך ב-CUDA עם גודל אצווה (batch size) של 32 תוך שימוש בדיוק FP32. כל תמונה שונה בגודלה ונחתכה למרכז (center-cropped) ל-24 × 224 פיקסלים, וערוצי ה-RGB נורמלו באמצעות התמרת העיבוד המקדים המשויכת למודל ViT-B/32. הנחיית הטקסט (Text prompts) נבנו באמצעות מתארי הזהות והסצנה שהוגדרו לעיל וקודדו עם מקודד הטקסט של CLIP. דמיון קוסינוס (Cosine similarity) חושב בין וקטורי ההטמעה (embeddings) הנורמליים של התמונה והטקסט, וההנחיה בעלת ציון הדמיון הגבוה ביותר הוקצתה כתווית ה-AI הראשונית. ציוני הדמיון עבור כל התוויות המועמדות נשמרו לצורך סקירה אנושית מאוחרת יותר. נעשה שימוש ב-random seed קבוע של 42, ונהלי עיבוד מקדים, תבניות הנחיה וכללי החלטה זהים הוחלו על כל 43 הציורים.
מיקום באמצעות SAM
מודל Segment Anything (SAM) שימש באופן בלעדי לצורך מיקום של דמויות, בגדים, רהיטים, כלים, חפצי פולחן ואזורים אדריכליים לצורך בדיקה חזותית אנושית. יש להדגיש כי SAM לא לקח חלק בתהליך הסיווג; המסכות, החתכים והמאפיינים הנגזרים ממנו הופרדו מתהליכי התיוג והצמידה (clustering) של CLIP, ובכך הובטח שיישומו של SAM סיפק עזרי מיקום מבלי להשפיע על ביצועי הסיווג או לנפח אותם.
הנחיות נקודות ידניות או תיבות חסם הוחלו בעת הצורך כדי לדייק את המיקום של אלמנטים חזותיים. מסכות SAM נוצרו עבור דמויות נשיות, בגדים, רהיטים, כלים, חפצי פולחן ואלמנטים אדריכליים, וכל תוצאת סגמנטציה נבחנה חזותית כדי לוודא כי הכיסוי האזורי היה הולם. המסכות שהתקבלו תמכו בזיהוי ובבחינה של מאפיינים איקונוגרפיים רלוונטיים, אך לא שימשו לצורך תיוג CLIP או להקצאה לקטגוריות.
הפחתת ממדיות וצבירה (Clustering)
חושבו וקטורי שיכון (embeddings) של תמונות CLIP, ונעשה שימוש ב-UMAP עם מרחק קוסינוס לצורך ויזואליזציה דו-מדית10. הייצוג ששימש לצבירה, יחד עם הליך עיבוד המקדמים, הממדיות והגדרת המרחק שלו, תועדו.
אלגוריתמי K-means וצבירה היררכית (hierarchical clustering) הוחלו על ייצוגי מאפייני התמונה כדי לזהות קבוצות חזותיות חוזרות בתוך הקורפוס1. פתרונות K-means מועמדים עבור k = 5–9 הוערכו באמצעות מקדם הסילואט (silhouette coefficient) ומדד Davies–Bouldin. נעשה שימוש באתחול K-means++ עם n_init = 10, max_iter = 30, tol = 1 × 10⁻4, ו-random_state = 42. צבירה היררכית בוצעה באמצעות צבירה אגלומרטיבית (agglomerative clustering) עם קישור ממוצע (average linkage) ומרחק קוסינוס (cosine distance). פתרונות מועמדים הושוו באמצעות מדדי תיקוף כמותיים, יציבות הצבירה וניתנות לפירוש מבחינה היסטוריה-אמנותית, ופתרון הצבירה הסופי נבחר בשל הייצוג הקוהרנטי ביותר של תבניות חזותיות חוזרות. השיוך לצבירה שהתקבל עבור כל אחד מ-433 הציורים נשמר לצורך השוואה עוקבת עם הקטגוריות שקודדו על ידי בני אדם.
קידוד ידני, הדרכה ובוררות
שני מקודדים סקרו באופן עצמאי את כל 43 התמונות באמצעות ספר קודים בגרסה מוגדרת, שהכיל קטגוריה ראשית, מספר דמויות, קבוצת גיל, תנוחה, לבוש, סביבה מרחבית, חפצים ויחסים חברתיים. רשומות ספציפיות של כל מקודד נשמרו לפני שלב הבוררות. למקודדים היה רקע רלוונטי בתולדות האמנות ובניתוח ויזואלי, והם הוכשרו באמצעות מדריך קידוד סטנדרטי ודוגמאות מייצגות ממאגר הציורים. לפני תחילת הקידוד הרשמי, הם ביצעו תרגיל כיול שכלל 30 ציורים כדי לקדם פרשנות עקבית של שבע קטגוריות הזהות וחמש ממדי הרמזים הוויזואליים.
במהלך הקידוד הפורמלי, שני מקודדים העריכו באופן עצמאי את כל הציורים המתאימים, בעודם מסווגים (blinded) להחלטות הקידוד זה של זה, לתוויות ה-AI הראשוניות ולהקצאות לצבירים. מהימנות בין-מקודדים נבחנה באמצעות מדד Cohen’s kappa. ערך הקאפה שנצפה עבור קטגוריית הזהות העיקרית היה 0.8, והמשתנים הקטגוריים של הרמזים החזותיים נעו בין 0.79 ל-0.92, מה שמעיד על הסכמה חזקה בין המקודדים. מחלוקות נפתרו באמצעות דיון והסכמה, והקטגוריה והקודים של הרמזים החזותיים שנקבעו נרשמו לצורך ניתוח מאוחר יותר12. התוויות שלפני הבתירה נשמרו.
הסכמה בין בינה מלאכותית לבני אדם והערכת ביצועים
הקטגוריה האנושית שנקבעה בבוררות שימשה כנקודת ייחוס להשוואה תיאורית עם תווית בינה מלאכותית ראשונית אחת לכל ציור. דיוק ההתאמה המדויקת הכולל חושב כ-356/43 (82.2%). רגישות הקטגוריה (Recall) חושבה כמספר ההתאמות המדויקות בין הבינה המלאכותית לבני האדם חלקי התמיכה של הייחוס האנושי עבור כל קטגוריה. תמיכת הקטגוריה, התאמות מדויקות, אי-התאמות והמכנים המתאימים דווחו באופן מפורש.
על בסיס 43 תוויות זוגיות של בינה מלאכותית ובני אדם ברמת המקרה, חושבו נתוני כושלים חיוביים (false positives) במחלקה המטרה, רמת דיוק (precision), רגישות (recall) ומדדי F1 לכל קטגוריה. נבנתה מטריצת בלבול מלאה כדי לנתח דפוסי סיווג חוצי-אלכסון, אשר הנחו לאחר מכן את סקירת אי-התאמות, תיעוד טקסונומיית השגיאות וכללי הפסיקה.
חבילת שחזור וחומרים
תהליך העבודה החישובי וחומרי המחקר התומכים אורגנו במאגר עם בקרת גרסאות. חבילת השחזור תוכננה לכלול סקריפטים לעיבוד מקדימה, ניתוח CLIP, לוקליזציה של SAM, UMAP, אשכולים (clustering), ניתוח הסכמה ויצירת איורים, יחד עם ספר קודים לקידוד ידני, קבצי הגדרה, מידע על תלויות, פלטים נגזרים ברמת המקרה, ורשימה קריאה למכונה של מקורות תמונות ומידע על זכויות. למשאבי המחקר שנשמרו הוקצה מזהה קבוע כדי להקל על השחזור והשימוש החוזר.
לצורך ארגון וניהול של מטא-נתונים נעשה שימוש ב-Microsoft Excel 2021. עבור הניתוחים החישוביים נעשה שימוש ב-CLIP ViT-B/32 לסימון ראשוני של שפה-חזון (vision–language labeling), ב-SAM למיקום של אלמנטים חזותיים, ב-UMAP עם מרחק קוסינוס (cosine distance) להפחתת ממדיות, וב-K-means ואשכולה היררכית (hierarchical clustering) לניתוח תבניות גישושי. פתרונות האשכולה הוערכו באמצעות מקדם הסילואט (silhouette coefficient) ומדד Davies–Bouldin, והסכמה בין מקודדים נבדקה באמצעות קאפא של כהן (Cohen’s kappa). סביבת התוכנה, הגדרות המודלים, ההגדרות החישוביות והזרעים האקראיים (random seeds) ששימשו לאורך תהליך העבודה תועדו כדי לתמוך בשחזוריות.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
בניית הקורפוס והרכב תיאורי
איור 1 מציג סקירה כללית של הקורפוס בארבעה לוחות. איור 1A מראה את תהליך הסינון המדווח מ-612 רשומות מועמדות ל-43 רשומות שנשמרו. איור 1B מציג דוגמאות מייצגות של מדיה ופורמטים. איור 1C מציג את הספירות לאורך ארבעה פרקי זמן, ואיור 1D מסכם את הרכב המקור והמדיה של הקורפוס. מכיוון שפרקי הזמן משתרעים על פני תקופות שאינן שוות, ספירות אלו...
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
בתוך סיכומי הצבירה שסופקו, 43 רשומות אורגנו לשבע קטגוריות ייחוס אנושיות ותוארו באמצעות חמש משפחות של רמזים חזותיים. קטגוריית עילית/יופי הייתה הגדולה ביותר (12/43), ו-356 תוויות ראשוניות תאמו את ייחוס האנושי המדווח (82.2%). אלו הן תצפיות על הקורפוס. הן תומכות בבחינת נוסחאות ציוריות חוזרות, אך לא בטענה החזקה יותר כי הנוסחאות משחזרות באופן נאמן את חברת שושלת צ'ינג או גרמו לתגובה מסוימת בקרב קהלים זרים13.
שיח מגדרי נורמטיבי, מעמד בתוך משק הבית, עבודה והחוק של שושלת צ'ינג עי...
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
למחברים אין ניגודי עניינים להצהיר עליהם.
המחברים מודים למוזיאון ויקטוריה ואלברט, למוזיאון הבריטי, למוזיאון האמנויות מטרופוליטן, למוזיאון הלאומי לאמנות אסייתית של הסמית'סוניאן, למוזיאון פיבודי אסקס, למוזיאון לאמנות של הונג קונג, לספרייה הבריטית, למכון המחקר גטי, ולמוסדות אחסון וצוותי קטלוג נוספים שרישומיהם המקוונים סייעו בגילוי הקורפוס. גישה לרישום מקוון אינה מהווה אישור להפצה מחדש של התמונה שלו; לפיכך, הזכויות ברמת הפאנל וקישורי המקור מתועדים בנפרד. המחברים מודים גם לקהילות המחקר הפתוח התומכות ב-CLIP וב-SAM, וכן לתמיכה המנהלית מאוניברסיטת סיטי של מקאו ומאוניברסיטת גואנגדונג פוליטכניק נורמל.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
| שם | חברה | מספר קטלוג | הערות |
|---|---|---|---|
| CLIP ViT-B/32 | OpenAI | OpenAI CLIP, ViT-B/32 | מודל ראייה-שפה ששימש לניתוח ראשוני של דמיון בין תמונה–טקסט ולהקצאה של תוויות AI ראשוניות. |
| Computational workstation | תחנת העבודה החישובית של המחברים’ | CUDA-enabled GPU; תצורת חומרה מדויקת תדווח | תחנת עבודה ששימשה להסקת CLIP ו-SAM ולניתוחים חישוביים; יש לדווח על מפרטי ה-GPU, CPU, RAM, מערכת ההפעלה ו-CUDA מסביבת ההרצה המקורית. |
| Matplotlib | צוות הפיתוח של Matplotlib | חבילת Python; גרסה מדויקת תדווח | שימשה לוויזואליזציה חישובית וליצירת איורים וגרפים של הניתוח. |
| Microsoft Excel 2021 | Microsoft Corporation | Microsoft Excel 2021 | שימש לארגון מטא-נתונים, רישומי סינון וניהול נתוני מחקר טבלאיים. |
| NumPy | מפתחי NumPy | חבילת Python; גרסה מדויקת תדווח | שימשה לחישובים מספריים ומניפולציה של מערכי מאפייני תמונה ומערכים אנליטיים. |
| pandas | צוות הפיתוח של pandas | חבילת Python; גרסה מדויקת תדווח | שימשה לטיפול בנתונים מובנים, עיבוד מטא-נתונים וארגון פלטי ניתוח ברמת המקרה. |
| Python 3.10 | Python Software Foundation | Python 3.10 | סביבת תכנות ששימשה ליישום זרימת העבודה של ניתוח תמונות חישובי. |
| PyTorch 2.0.1 | PyTorch Foundation | PyTorch 2.0.1 | מסגרת למידה עמוקה ששימשה להרצת קידוד תמונות וטקסט מבוס CLIP והסקה ב-GPU. |
| scikit-learn | מפתחי scikit-learn | חבילת Python; גרסה מדויקת תדווח | שימשה לחישובי K-means clustering, agglomerative clustering, silhouette coefficient, מדד Davies–Bouldin, ו-Cohen’s kappa. |
| Segment Anything Model (SAM) | Meta AI Research | SAM | מודל סגמנטציה ששימש לאיתור דמויות נשיות, בגדים, רהיטים, כלים, חפצי פולחן ואזורים ארכיטקטוניים לצורך בדיקה ויזואלית. |
| umap-learn | McInnes et al. | מימוש UMAP ב-Python | שימש להורדת ממדים ולוויזואליזציה דו-מדית של שיבוצי תמונות (embeddings) מ-CLIP עם מרחק קוסינוס. |
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.