Abe Davis: New video technology that reveals an object's hidden properties

204,073 views ・ 2015-05-05

TED


A videó lejátszásához kattintson duplán az alábbi angol feliratokra.

Fordító: Lúcia Sánta Lektor: Csaba Lóki
00:13
Most of us think of motion as a very visual thing.
0
13373
3349
Többségünk úgy gondol a mozgásra, mint egy nagyon vizuális dologra.
00:17
If I walk across this stage or gesture with my hands while I speak,
1
17889
5088
Ha keresztülsétálok ezen a színpadon, vagy beszéd közben gesztikulálok,
00:22
that motion is something that you can see.
2
22977
2261
az egy olyan mozgás, amit látnak.
00:26
But there's a world of important motion that's too subtle for the human eye,
3
26255
5482
De van egy világ, tele olyan mozgásokkal, amelyek túl finomak az emberi szemnek,
00:31
and over the past few years,
4
31737
2041
és az elmúlt pár év során
00:33
we've started to find that cameras
5
33778
1997
kezdtünk rájönni, hogy a kamerák
00:35
can often see this motion even when humans can't.
6
35775
3410
gyakran látják ezt a mozgást, még ha az emberek nem is.
00:40
So let me show you what I mean.
7
40305
1551
Hadd mutassam be, mire gondolok!
00:42
On the left here, you see video of a person's wrist,
8
42717
3622
Bal oldalt láthatnak egy videót egy ember csuklójáról
00:46
and on the right, you see video of a sleeping infant,
9
46339
3147
és jobb oldalt egy videót egy alvó csecsemőről,
00:49
but if I didn't tell you that these were videos,
10
49486
3146
de ha nem mondanám el önöknek, hogy ezek videók,
00:52
you might assume that you were looking at two regular images,
11
52632
3761
azt feltételezhetnék, hogy két hagyományos képet látnak,
00:56
because in both cases,
12
56393
1672
mert mindkét esetben
a videók teljes mértékben mozdulatlannak tűnnek.
00:58
these videos appear to be almost completely still.
13
58065
3047
01:02
But there's actually a lot of subtle motion going on here,
14
62175
3885
De valójában rengeteg finom mozgás van folyamatban itt,
01:06
and if you were to touch the wrist on the left,
15
66060
2392
és ha megérinthetnék a csuklót bal oldalt,
01:08
you would feel a pulse,
16
68452
1996
éreznék a pulzust,
01:10
and if you were to hold the infant on the right,
17
70448
2485
vagy ha karjukban tartanák a jobb oldali csecsemőt,
01:12
you would feel the rise and fall of her chest
18
72933
2391
éreznék, ahogy a mellkasa emelkedik és süllyed
01:15
as she took each breath.
19
75324
1390
minden lélegzetvételénél.
01:17
And these motions carry a lot of significance,
20
77762
3576
És ezek a mozgások hatalmas jelentőséggel bírnak,
01:21
but they're usually too subtle for us to see,
21
81338
3343
de általában túl finomak ahhoz, hogy észrevegyük őket,
01:24
so instead, we have to observe them
22
84681
2276
ezért inkább közvetlen kapcsolattal,
01:26
through direct contact, through touch.
23
86957
2900
azaz érintéssel tudjuk megfigyelni őket.
01:30
But a few years ago,
24
90997
1265
De néhány éve
01:32
my colleagues at MIT developed what they call a motion microscope,
25
92262
4405
MIT-s kollégáim kifejlesztettek egy úgy nevezett mozgásmikroszkópot,
01:36
which is software that finds these subtle motions in video
26
96667
4384
egy olyan szoftvert, ami képes megtalálni ezeket a finom mozgásokat egy videóban
01:41
and amplifies them so that they become large enough for us to see.
27
101051
3562
és felerősíteni őket annyira, hogy mi is láthassuk.
01:45
And so, if we use their software on the left video,
28
105416
3483
Így tehát ha használjuk a szoftvert a bal oldali videón,
01:48
it lets us see the pulse in this wrist,
29
108899
3250
láthatóvá teszi számunkra a pulzust
01:52
and if we were to count that pulse,
30
112149
1695
és ha megszámolnánk a lüktetéseket,
01:53
we could even figure out this person's heart rate.
31
113844
2355
még ki is számolhatnánk az illető szívverését.
01:57
And if we used the same software on the right video,
32
117095
3065
És ha ugyanezt a szoftvert alkalmazzuk a jobb oldali videón,
02:00
it lets us see each breath that this infant takes,
33
120160
3227
láthatóvá válik minden lélegzet, amit a csecsemő vesz
02:03
and we can use this as a contact-free way to monitor her breathing.
34
123387
4137
és ezt használhatjuk légzésének kontaktusmentes monitorozásra.
02:08
And so this technology is really powerful because it takes these phenomena
35
128884
5348
Tehát ez a technológia nagyon erőteljes, mert lehetővé teszi,
hogy ezeket az általában érintéssel megtapasztalt jelenségeket
02:14
that we normally have to experience through touch
36
134232
2367
02:16
and it lets us capture them visually and non-invasively.
37
136599
2957
vizuálisan, nem-invazív módon ragadjuk meg.
02:21
So a couple years ago, I started working with the folks that created that software,
38
141104
4411
Szóval, pár éve elkezdtem dolgozni a szoftver készítőivel,
02:25
and we decided to pursue a crazy idea.
39
145515
3367
és egy őrült ötlet megvalósítására adtuk a fejünket.
02:28
We thought, it's cool that we can use software
40
148882
2693
Arra gondoltunk, menő, hogy a szoftver használatával
02:31
to visualize tiny motions like this,
41
151575
3135
vizualizálhatunk ilyen apró mozgásokat,
02:34
and you can almost think of it as a way to extend our sense of touch.
42
154710
4458
és szinte felfoghatjuk ezt a tapintás érzékünk kiterjesztéseként.
02:39
But what if we could do the same thing with our ability to hear?
43
159168
4059
De mi lenne, ha meg tudnánk tenni ugyanezt a hallásunkkal is?
02:44
What if we could use video to capture the vibrations of sound,
44
164508
4665
Mi lenne, ha a videó segítségével megragadhatnánk a hang rezgéseit,
02:49
which are just another kind of motion,
45
169173
2827
ami csupán egy másik fajta mozgás,
02:52
and turn everything that we see into a microphone?
46
172000
3346
és így mindent, amit látunk mikrofonná változtathatnánk?
02:56
Now, this is a bit of a strange idea,
47
176236
1971
Nos, ez egy kicsit furcsa ötlet,
02:58
so let me try to put it in perspective for you.
48
178207
2586
hadd próbáljam meg hát perspektívába helyezni.
03:01
Traditional microphones work by converting the motion
49
181523
3488
A hagyományos mikrofonok azon az elven működnek,
03:05
of an internal diaphragm into an electrical signal,
50
185011
3599
hogy egy belső membrán mozgását elektromos jellé konvertálják,
03:08
and that diaphragm is designed to move readily with sound
51
188610
4318
és ez a membrán úgy van tervezve, hogy a hangra könnyen rezdüljön,
03:12
so that its motion can be recorded and interpreted as audio.
52
192928
4807
így a mozgása felvehető és hangként lefordítható lesz.
03:17
But sound causes all objects to vibrate.
53
197735
3668
De a hang minden tárgyat rezgésbe hoz.
03:21
Those vibrations are just usually too subtle and too fast for us to see.
54
201403
5480
Ezek a rezgések általában túl finomak és túl gyorsak, hogy láthassuk őket.
03:26
So what if we record them with a high-speed camera
55
206883
3738
Szóval, mi lenne, ha felvennénk őket egy nagysebességű kamerával
03:30
and then use software to extract tiny motions
56
210621
3576
és aztán a szoftvert használnánk, hogy kivonjuk az apró mozgásokat
03:34
from our high-speed video,
57
214197
2090
a nagysebességű videónkból,
03:36
and analyze those motions to figure out what sounds created them?
58
216287
4274
és elemezzük azokat a mozgásokat, hogy kiderüljön, milyen hang okozta őket?
03:41
This would let us turn visible objects into visual microphones from a distance.
59
221859
5449
Így a látható tárgyakat távoli vizuális mikrofonokká változtathatnánk.
03:49
And so we tried this out,
60
229080
2183
Szóval kipróbáltuk ezt a dolgot,
03:51
and here's one of our experiments,
61
231263
1927
és íme az egyik kísérletünk,
ahol fogtuk ezt a cserepes növényt, amit a jobb oldalon látnak
03:53
where we took this potted plant that you see on the right
62
233190
2949
03:56
and we filmed it with a high-speed camera
63
236139
2438
és egy nagysebességű kamerával filmeztük,
03:58
while a nearby loudspeaker played this sound.
64
238577
3529
miközben egy közeli hangszóró ezt a hangot játszotta.
04:02
(Music: "Mary Had a Little Lamb")
65
242275
8190
[A szobában hangszórón játszott hang] (Zene: "Mary Had a Little Lamb")
04:11
And so here's the video that we recorded,
66
251820
2824
És íme a videó, amit felvettünk,
04:14
and we recorded it at thousands of frames per second,
67
254644
3924
és ugyan másodpercenként több ezer képkockát rögzítettünk,
04:18
but even if you look very closely,
68
258568
2322
még ha nagyon közelről vizsgálják,
04:20
all you'll see are some leaves
69
260890
1951
akkor is csupán néhány levél látható,
04:22
that are pretty much just sitting there doing nothing,
70
262841
3065
amik lényegében csak úgy vannak, és nem csinálnak semmit,
04:25
because our sound only moved those leaves by about a micrometer.
71
265906
4806
mert a hang ezeket a leveleket alig pár mikrométernyit mozdította meg.
04:31
That's one ten-thousandth of a centimeter,
72
271103
4276
Ez egy centiméter egy-tízezrede,
04:35
which spans somewhere between a hundredth and a thousandth
73
275379
4156
ami nagyjából akkora kiterjedésű, mint egy pixel százada vagy ezrede
04:39
of a pixel in this image.
74
279535
2299
ezen a képen.
04:41
So you can squint all you want,
75
281881
2887
Szóval hunyoroghatnak, amennyit akarnak,
04:44
but motion that small is pretty much perceptually invisible.
76
284768
3335
de egy ilyen kis mértékű mozgás lényegében érzékszervileg láthatatlan.
04:49
But it turns out that something can be perceptually invisible
77
289667
4157
De kiderült, hogy valami lehet érzékszervileg láthatatlan
04:53
and still be numerically significant,
78
293824
2809
és mégis jelentős számtanilag,
04:56
because with the right algorithms,
79
296633
2002
mert a megfelelő algoritmusokat használva
04:58
we can take this silent, seemingly still video
80
298635
3687
foghatjuk és ebből a néma, mozdulatlannak tűnő videóból
05:02
and we can recover this sound.
81
302322
1527
visszanyerhetjük ezt a hangot.
05:04
(Music: "Mary Had a Little Lamb")
82
304690
7384
(Zene: "Mary Had a Little Lamb")
05:12
(Applause)
83
312074
5828
(Taps)
05:22
So how is this possible?
84
322058
1939
Szóval hogyan is lehetséges ez?
05:23
How can we get so much information out of so little motion?
85
323997
4344
Hogyan szerezhetünk ilyen sok információt, ilyen kicsi mozgásból?
05:28
Well, let's say that those leaves move by just a single micrometer,
86
328341
5361
Nos, mondjuk, hogy azok a levelek csupán egyetlen mikrométernyit mozdulnak,
05:33
and let's say that that shifts our image by just a thousandth of a pixel.
87
333702
4308
és mondjuk, hogy ez a képünket csak egy pixel ezredével mozdítja el.
05:39
That may not seem like much,
88
339269
2572
Ez talán nem tűnik soknak,
05:41
but a single frame of video
89
341841
1996
de egyetlen képkocka
05:43
may have hundreds of thousands of pixels in it,
90
343837
3257
több százezer pixelt foglalhat magába
05:47
and so if we combine all of the tiny motions that we see
91
347094
3454
és ha össze tudjuk rakni az összes ilyen kis mozgást, amit látunk
05:50
from across that entire image,
92
350548
2298
az egész kép területéről,
05:52
then suddenly a thousandth of a pixel
93
352846
2623
akkor hirtelen egy pixel ezrede
05:55
can start to add up to something pretty significant.
94
355469
2775
elkezdhet összeadódni valami egészen jelentőssé.
05:58
On a personal note, we were pretty psyched when we figured this out.
95
358870
3635
Hadd áruljam el, hogy eléggé bezsongtunk, amikor rájöttünk minderre.
06:02
(Laughter)
96
362505
2320
(Nevetés)
06:04
But even with the right algorithm,
97
364825
3253
De még a megfelelő algoritmussal is
06:08
we were still missing a pretty important piece of the puzzle.
98
368078
3617
hiányzott egy elég fontos darabja a kirakósnak.
06:11
You see, there are a lot of factors that affect when and how well
99
371695
3604
Ugyanis rengeteg tényező befolyásolja, mikor és mennyire jól fog
06:15
this technique will work.
100
375299
1997
ez a technika működni.
06:17
There's the object and how far away it is;
101
377296
3204
Ott van a tárgy és hogy milyen messze van;
06:20
there's the camera and the lens that you use;
102
380500
2394
ott a kamera és a lencsék, amiket használunk;
06:22
how much light is shining on the object and how loud your sound is.
103
382894
4091
mennyi fény éri a tárgyat és milyen hangos a hang.
06:27
And even with the right algorithm,
104
387945
3375
És még a megfelelő algoritmussal is
06:31
we had to be very careful with our early experiments,
105
391320
3390
nagyon óvatosnak kellett lennünk a korai kísérleteinkben,
06:34
because if we got any of these factors wrong,
106
394710
2392
mert ha ezen tényezők akármelyikét elhibáztuk,
06:37
there was no way to tell what the problem was.
107
397102
2368
esélytelen volt megmondani, hogy mi is a probléma.
06:39
We would just get noise back.
108
399470
2647
Csak zajt nyertünk vissza.
06:42
And so a lot of our early experiments looked like this.
109
402117
3320
Ezért aztán rengeteg korai kísérletünk festett valahogy így.
06:45
And so here I am,
110
405437
2206
Íme, itt vagyok én,
06:47
and on the bottom left, you can kind of see our high-speed camera,
111
407643
4040
és valamelyest látni a bal alsó sarokban a nagysebességű kameránkat,
06:51
which is pointed at a bag of chips,
112
411683
2183
ami egy zacskó chipsre szegeződik,
06:53
and the whole thing is lit by these bright lamps.
113
413866
2949
és mindez ezekkel a ragyogó lámpákkal van bevilágítva.
06:56
And like I said, we had to be very careful in these early experiments,
114
416815
4365
Mint mondtam, az ilyen korai kísérleteknél nagyon óvatosnak kellett lennünk,
07:01
so this is how it went down.
115
421180
2508
ezért így festett a dolog.
07:03
(Video) Abe Davis: Three, two, one, go.
116
423688
3761
(Videó) Abe Davis: Három, kettő, egy, és!
07:07
Mary had a little lamb! Little lamb! Little lamb!
117
427449
5387
Mary had a little lamb! Little lamb! Little lamb!
07:12
(Laughter)
118
432836
4500
(Nevetés)
07:17
AD: So this experiment looks completely ridiculous.
119
437336
2814
AD: Szóval ez a kísérlet teljes mértékben röhejesen fest.
07:20
(Laughter)
120
440150
1788
(Nevetés)
07:21
I mean, I'm screaming at a bag of chips --
121
441938
2345
Úgy értem, egy zacskó chipsnek kiabálok...
07:24
(Laughter) --
122
444283
1551
(Nevetés)
07:25
and we're blasting it with so much light,
123
445834
2117
...amire annyi fényt nyomtunk,
07:27
we literally melted the first bag we tried this on. (Laughter)
124
447951
4479
hogy az első zacskót, amin kipróbáltuk, szó szerint megolvasztottuk. (Nevetés)
07:32
But ridiculous as this experiment looks,
125
452525
3274
De bármilyen röhejesnek tűnik is ez a kísérlet,
07:35
it was actually really important,
126
455799
1788
valójában nagyon fontos volt,
07:37
because we were able to recover this sound.
127
457587
2926
mert sikerült visszanyernünk ezt a hangot.
07:40
(Audio) Mary had a little lamb! Little lamb! Little lamb!
128
460513
4712
(Hang) Mary had a little lamb! Little lamb! Little lamb!
07:45
(Applause)
129
465225
4088
(Taps)
07:49
AD: And this was really significant,
130
469313
1881
AD: És ennek nagy jelentősége volt,
07:51
because it was the first time we recovered intelligible human speech
131
471194
4119
mert ez volt az első, hogy kivehető emberi hangot nyertünk vissza
07:55
from silent video of an object.
132
475424
2341
egy tárgyról készült néma videóból.
07:57
And so it gave us this point of reference,
133
477765
2391
Ez adott nekünk egy viszonyítási pontot,
08:00
and gradually we could start to modify the experiment,
134
480156
3871
és fokozatosan elkezdhettük módosítani a kísérletet
08:04
using different objects or moving the object further away,
135
484106
3805
különböző tárgyakat használtunk, vagy messzebbre helyeztük őket,
08:07
using less light or quieter sounds.
136
487911
2770
kevesebbet fényt vagy halkabb hangot használtunk.
08:11
And we analyzed all of these experiments
137
491887
2874
És elemeztük az összes ilyen kísérletet,
08:14
until we really understood the limits of our technique,
138
494761
3622
amíg valóban megértettük a technikánk korlátait;
08:18
because once we understood those limits,
139
498383
1950
mert amint megismertük ezeket a korlátokat,
08:20
we could figure out how to push them.
140
500333
2346
kitalálhattuk, hogyan lehetne feszegetni őket.
08:22
And that led to experiments like this one,
141
502679
3181
És ez vezetett az olyan kísérletekhez, mint ez is,
08:25
where again, I'm going to speak to a bag of chips,
142
505860
2739
ahol ismét beszélni fogok egy zacskó chipshez,
08:28
but this time we've moved our camera about 15 feet away,
143
508599
4830
de ezúttal a kamerát úgy öt méterrel távolabb helyeztük el,
08:33
outside, behind a soundproof window,
144
513429
2833
kívül, egy hangszigetelt üvegen túl,
08:36
and the whole thing is lit by only natural sunlight.
145
516262
2803
és az egész csak természetes napfénnyel volt megvilágítva.
08:40
And so here's the video that we captured.
146
520529
2155
Íme a videó, amit felvettünk.
08:44
And this is what things sounded like from inside, next to the bag of chips.
147
524450
4559
És így hangzott a dolog belül, a zacskó chips mellett.
08:49
(Audio) Mary had a little lamb whose fleece was white as snow,
148
529009
5038
(Hang) Mary had a little lamb whose fleece was white as snow,
08:54
and everywhere that Mary went, that lamb was sure to go.
149
534047
5619
and everywhere that Mary went, that lamb was sure to go.
08:59
AD: And here's what we were able to recover from our silent video
150
539666
4017
AD: És ezt sikerült visszanyernünk a néma videóból,
09:03
captured outside behind that window.
151
543683
2345
amit kintről, az üvegen túlról vettünk fel.
09:06
(Audio) Mary had a little lamb whose fleece was white as snow,
152
546028
4435
(Hang) Mary had a little lamb whose fleece was white as snow,
09:10
and everywhere that Mary went, that lamb was sure to go.
153
550463
5457
and everywhere that Mary went, that lamb was sure to go.
09:15
(Applause)
154
555920
6501
(Taps)
09:22
AD: And there are other ways that we can push these limits as well.
155
562421
3542
AD: Vannak más módjai is annak, hogy ezeket a határokat feszegessük.
09:25
So here's a quieter experiment
156
565963
1798
Itt van ez a csendesebb kísérlet,
09:27
where we filmed some earphones plugged into a laptop computer,
157
567761
4110
ahol egy laptophoz csatlakoztatott füldugót filmeztünk le,
09:31
and in this case, our goal was to recover the music that was playing on that laptop
158
571871
4110
és ebben az esetben, a laptopon játszott zenét akartuk visszanyerni
09:35
from just silent video
159
575981
2299
csupán egy néma videóból
09:38
of these two little plastic earphones,
160
578280
2507
erről a két kis műanyag fülhallgatóról,
09:40
and we were able to do this so well
161
580787
2183
és ez annyira jól sikerült,
09:42
that I could even Shazam our results.
162
582970
2461
hogy az eredményre még a Shazamon is rá tudtam keresni.
09:45
(Laughter)
163
585431
2411
(Nevetés)
09:49
(Music: "Under Pressure" by Queen)
164
589191
10034
[Videóból visszanyert hang] (Zene: "Under Pressure" a Queentől)
10:01
(Applause)
165
601615
4969
(Taps)
10:06
And we can also push things by changing the hardware that we use.
166
606584
4551
Próbálkozhatunk azzal is, hogy más eszközöket használunk a felvételhez.
10:11
Because the experiments I've shown you so far
167
611135
2461
Mert azok a kísérletek, amiket eddig mutattam,
10:13
were done with a camera, a high-speed camera,
168
613596
2322
mind nagy sebességű kamerával készültek
10:15
that can record video about a 100 times faster
169
615918
2879
ami nagyjából százszor gyorsabban tud felvenni,
10:18
than most cell phones,
170
618797
1927
mint a legtöbb mobiltelefon,
10:20
but we've also found a way to use this technique
171
620724
2809
de arra is találtunk módot, hogy ezt a technikát
10:23
with more regular cameras,
172
623533
2230
közönségesebb kamerákkal használjuk.
10:25
and we do that by taking advantage of what's called a rolling shutter.
173
625763
4069
Tettük ezt úgy, hogy kihasználtuk az úgy nevezett gördülő zárat.
10:29
You see, most cameras record images one row at a time,
174
629832
4798
Ugyanis a legtöbb kamera soronként rögzíti a képeket,
10:34
and so if an object moves during the recording of a single image,
175
634630
5702
így, ha egy tárgy elmozdul egyetlen kép rögzítése közben,
10:40
there's a slight time delay between each row,
176
640344
2717
van egy kis időeltolódás minden sor között,
10:43
and this causes slight artifacts
177
643061
3157
ez apró kis torzulásokat okoz,
10:46
that get coded into each frame of a video.
178
646218
3483
amik a videó minden képkockáján kódolásra kerülnek.
10:49
And so what we found is that by analyzing these artifacts,
179
649701
3806
Arra jöttünk rá, hogy ezeket a torzulásokat elemezve
10:53
we can actually recover sound using a modified version of our algorithm.
180
653507
4615
képesek vagyunk visszanyerni a hangot, az algoritmusunk módosított verziójával.
10:58
So here's an experiment we did
181
658122
1912
Tehát, itt az egyik kísérletünk,
11:00
where we filmed a bag of candy
182
660034
1695
ahol egy zacskó cukrot filmeztünk,
11:01
while a nearby loudspeaker played
183
661729
1741
miközben egy közeli hangszóró
11:03
the same "Mary Had a Little Lamb" music from before,
184
663470
2972
ugyanazt a "Mary Had a Little Lamb" zenét játszotta korábbról,
11:06
but this time, we used just a regular store-bought camera,
185
666442
4203
de ezúttal, csak egy általános, boltban kapható kamerát használtunk,
11:10
and so in a second, I'll play for you the sound that we recovered,
186
670645
3174
és máris lejátszom önöknek a hangot, amit visszanyertünk,
11:13
and it's going to sound distorted this time,
187
673819
2050
ezúttal egy kicsit torzítottan fog hangzani,
11:15
but listen and see if you can still recognize the music.
188
675869
2836
de hallgassák, hogy még fel tudják-e ismerni a zenét.
11:19
(Audio: "Mary Had a Little Lamb")
189
679723
6223
(Hang: "Mary Had a Little Lamb") [A zacskó cukorkából visszanyert hang]
11:37
And so, again, that sounds distorted,
190
697527
3465
És igen, ez a hang ugyan torzított,
11:40
but what's really amazing here is that we were able to do this
191
700992
4386
de ami igazán lenyűgöző, hogy képesek voltunk ezt elérni,
11:45
with something that you could literally run out
192
705378
2626
egy olyan eszközzel, amit könnyen beszerezhetnek,
11:48
and pick up at a Best Buy.
193
708004
1444
ha átugranak a Best Buy-ba.
11:51
So at this point,
194
711122
1363
Szóval ezen a ponton,
11:52
a lot of people see this work,
195
712485
1974
rengeteg ember, aki látja ezt a munkát
11:54
and they immediately think about surveillance.
196
714459
3413
rögtön a megfigyelésre gondol.
11:57
And to be fair,
197
717872
2415
Hogy őszinte legyek,
12:00
it's not hard to imagine how you might use this technology to spy on someone.
198
720287
4133
nem nehéz elképzelni, hogy lehetne ezt a technológiát kémkedésre használni.
12:04
But keep in mind that there's already a lot of very mature technology
199
724420
3947
De tartsuk észben, hogy rengeteg kiforrott technológia létezik már
12:08
out there for surveillance.
200
728367
1579
a megfigyelésre.
12:09
In fact, people have been using lasers
201
729946
2090
Valójában az emberek évtizedek óta
12:12
to eavesdrop on objects from a distance for decades.
202
732036
2799
lézerek használatával hallgatnak le tárgyakat a távolban.
12:15
But what's really new here,
203
735978
2025
De ami igazán új itt,
12:18
what's really different,
204
738003
1440
ami igazán különböző,
12:19
is that now we have a way to picture the vibrations of an object,
205
739443
4295
hogy most már van egy módszerünk, hogy elképzeljük egy tárgy rezgéseit,
12:23
which gives us a new lens through which to look at the world,
206
743738
3413
ami egy új szempontot kínál, ahonnan a világot szemlélhetjük,
12:27
and we can use that lens
207
747151
1510
és ez nem csak arra jó,
12:28
to learn not just about forces like sound that cause an object to vibrate,
208
748661
4899
hogy megismerjük a hanghoz hasonló erőket, ami egy tárgy rezgését okozza,
12:33
but also about the object itself.
209
753560
2288
de magát a tárgyat is jobban megismerjük.
12:36
And so I want to take a step back
210
756975
1693
Ezért tennék most egy lépést hátra
12:38
and think about how that might change the ways that we use video,
211
758668
4249
és szeretnék elgondolkozni, hogy változtat ez a videózás használatán,
12:42
because we usually use video to look at things,
212
762917
3553
mert a videót általában arra használjuk, hogy nézzük a dolgokat,
12:46
and I've just shown you how we can use it
213
766470
2322
ám épp most mutattam meg, hogy használható arra,
12:48
to listen to things.
214
768792
1857
hogy hallgassuk a dolgokat.
12:50
But there's another important way that we learn about the world:
215
770649
3971
De van még egy fontos módszer, ami által a világról tanulunk:
12:54
that's by interacting with it.
216
774620
2275
ha interakcióba lépünk vele.
12:56
We push and pull and poke and prod things.
217
776895
3111
Húzzuk és vonjuk a dolgokat, böködjük és szurkáljuk.
13:00
We shake things and see what happens.
218
780006
3181
Megrázzuk őket és figyeljük, hogy mi történik.
13:03
And that's something that video still won't let us do,
219
783187
4273
És ez olyasmi, amit a videó még nem enged nekünk megtenni,
13:07
at least not traditionally.
220
787460
2136
legalábbis hagyományosan nem.
13:09
So I want to show you some new work,
221
789596
1950
Ezért mutatnék egy új munkát önöknek,
13:11
and this is based on an idea I had just a few months ago,
222
791546
2667
ami egy pár hónappal ezelőtti ötletemen alapul,
13:14
so this is actually the first time I've shown it to a public audience.
223
794213
3301
szóval igazából ez az első alkalom, hogy megmutatom a nagyközönségnek.
13:17
And the basic idea is that we're going to use the vibrations in a video
224
797514
5363
Az alapvető ötlet, hogy felhasználjuk a videón rögzített rezgéseket arra,
13:22
to capture objects in a way that will let us interact with them
225
802877
4481
hogy a tárgyakat oly módon örökítsük meg, ami lehetővé teszi velük az interkaciót
13:27
and see how they react to us.
226
807358
1974
és megmutatja, hogyan reagálnak ránk.
13:31
So here's an object,
227
811120
1764
Szóval itt van egy tárgy,
13:32
and in this case, it's a wire figure in the shape of a human,
228
812884
3832
ez éppen egy ember alakú drótfigura,
13:36
and we're going to film that object with just a regular camera.
229
816716
3088
és fel fogjuk venni ezt a tárgyat egy átlagos kamerával.
13:39
So there's nothing special about this camera.
230
819804
2124
Tehát a kamerában nincsen semmi különleges.
13:41
In fact, I've actually done this with my cell phone before.
231
821928
2961
Sőt, én már csináltam ilyet a mobilommal is korábban.
13:44
But we do want to see the object vibrate,
232
824889
2252
De szeretnénk látni, ahogy a tárgy rezeg,
13:47
so to make that happen,
233
827141
1133
és hogy ezt elérjük,
13:48
we're just going to bang a little bit on the surface where it's resting
234
828274
3346
egy kicsit megütögetjük a felületet, amin helyet foglal,
13:51
while we record this video.
235
831620
2138
miközben felvesszük ezt a videót.
13:59
So that's it: just five seconds of regular video,
236
839398
3671
Szóval ennyi: csak öt másodperc átlagos videó,
14:03
while we bang on this surface,
237
843069
2136
miközben ütögetjük a felületet,
14:05
and we're going to use the vibrations in that video
238
845205
3513
a videóban lévő rezgéseket arra fogjuk használni,
14:08
to learn about the structural and material properties of our object,
239
848718
4544
hogy többet tudjunk meg a tárgyunk szerkezeti és anyagi tulajdonságairól,
14:13
and we're going to use that information to create something new and interactive.
240
853262
4834
ennek az információnak a segítségével majd valami újat és interaktívat hozunk létre.
14:24
And so here's what we've created.
241
864866
2653
Íme, amit létrehoztunk.
14:27
And it looks like a regular image,
242
867519
2229
Úgy néz ki, mint egy közönséges kép,
14:29
but this isn't an image, and it's not a video,
243
869748
3111
de ez nem egy kép, és nem is egy videó,
14:32
because now I can take my mouse
244
872859
2368
mert most foghatom az egeremet
14:35
and I can start interacting with the object.
245
875227
2859
és elkezdhetek kapcsolatot teremteni a tárggyal.
14:44
And so what you see here
246
884936
2357
És amit most itt látnak,
14:47
is a simulation of how this object
247
887389
2226
az egy szimulációja annak,
14:49
would respond to new forces that we've never seen before,
248
889615
4458
ahogy a tárgy reagálna új erőkre, amiket még sosem láttunk,
14:54
and we created it from just five seconds of regular video.
249
894073
3633
és ezt csak egy öt másodperces egyszerű videóból készítettük.
14:59
(Applause)
250
899249
4715
(Taps)
15:09
And so this is a really powerful way to look at the world,
251
909421
3227
Ez egy nagyon hatásos módja annak, ahogy a világot szemléljük,
15:12
because it lets us predict how objects will respond
252
912648
2972
mert általa megjósolhatjuk, hogyan fognak a tárgyak reagálni
15:15
to new situations,
253
915620
1823
egy új helyzetre,
15:17
and you could imagine, for instance, looking at an old bridge
254
917443
3473
és elképzelhetjük például, ahogy nézünk egy régi hídra,
15:20
and wondering what would happen, how would that bridge hold up
255
920916
3527
és azon gondolkozunk, mi történne, hogyan tartana ki a híd,
15:24
if I were to drive my car across it.
256
924443
2833
ha áthajtanánk rajta az autónkkal.
15:27
And that's a question that you probably want to answer
257
927276
2774
Ez egy olyan kérdés, amire jó lenne tudni a választ,
15:30
before you start driving across that bridge.
258
930050
2560
mielőtt elkezdünk áthajtani azon a hídon.
15:33
And of course, there are going to be limitations to this technique,
259
933988
3272
És természetesen lesznek korlátai ennek a technikának,
15:37
just like there were with the visual microphone,
260
937260
2462
mint ahogy voltak a vizuális mikrofonnak is,
15:39
but we found that it works in a lot of situations
261
939722
3181
de azt vettük észre, hogy sok helyzetben működik,
15:42
that you might not expect,
262
942903
1875
amiben talán nem is várnák,
15:44
especially if you give it longer videos.
263
944778
2768
különösen, ha hosszabb videókkal dolgozunk.
15:47
So for example, here's a video that I captured
264
947546
2508
Szóval például itt egy videó, amit felvettem,
15:50
of a bush outside of my apartment,
265
950054
2299
egy bokorról a lakásom előtt.
15:52
and I didn't do anything to this bush,
266
952353
3088
Nem csináltam semmit a bokorral,
15:55
but by capturing a minute-long video,
267
955441
2705
de míg felvettem egy egyperces videót,
15:58
a gentle breeze caused enough vibrations
268
958146
3378
egy kis szellő elég rezgést okozott,
16:01
that we could learn enough about this bush to create this simulation.
269
961524
3587
hogy eleget megtudjunk a bokorról, és így létrehozhassuk ezt a szimulációt.
16:07
(Applause)
270
967270
6142
(Taps)
16:13
And so you could imagine giving this to a film director,
271
973412
2972
El tudják képzelni, ahogy egy fimrendező kezébe adjuk ezt,
16:16
and letting him control, say,
272
976384
1719
hogy így kontrollálhassa, mondjuk
16:18
the strength and direction of wind in a shot after it's been recorded.
273
978103
4922
a szél erejét és irányát egy jelenetben, miután felvették azt.
16:24
Or, in this case, we pointed our camera at a hanging curtain,
274
984810
4535
Vagy, ebben az esetben, a kameránkat egy felakasztott függönyre szegeztük.
16:29
and you can't even see any motion in this video,
275
989345
4129
Nem látnak semmi mozgást ezen a videón,
16:33
but by recording a two-minute-long video,
276
993474
2925
de egy kétperces videó felvételével,
16:36
natural air currents in this room
277
996399
2438
a szobában lévő természetes légmozgások
16:38
created enough subtle, imperceptible motions and vibrations
278
998837
4412
elegendő finom, alig érzékelhető mozgást és rezgést okoztak,
16:43
that we could learn enough to create this simulation.
279
1003249
2565
hogy eleget tudjunk a szimuláció elkészítéséhez.
16:48
And ironically,
280
1008243
2366
Ironikus módon,
16:50
we're kind of used to having this kind of interactivity
281
1010609
3088
eléggé hozzá vagyunk szokva az ilyen fajta interaktivitáshoz,
16:53
when it comes to virtual objects,
282
1013697
2647
ha virtuális tárgyakról van szó,
16:56
when it comes to video games and 3D models,
283
1016344
3297
videó játékokról és 3D modellekről,
16:59
but to be able to capture this information from real objects in the real world
284
1019641
4404
de a képesség, hogy ezt az információt a valóság valós tárgyairól is megszerezzük
17:04
using just simple, regular video,
285
1024045
2817
csupán egyszerű, hagyományos videót használva,
17:06
is something new that has a lot of potential.
286
1026862
2183
ez valami új, ami nagyon sok lehetőséget rejt.
17:10
So here are the amazing people who worked with me on these projects.
287
1030410
4904
Szóval íme a lenyűgöző emberek, akikkel ezeken a projekteken dolgoztam.
17:16
(Applause)
288
1036057
5596
(Taps)
17:24
And what I've shown you today is only the beginning.
289
1044819
3057
És amit ma megmutattam önöknek, az csak a kezdet.
17:27
We've just started to scratch the surface
290
1047876
2113
Épp csak karcolgatjuk a felszínét annak,
17:29
of what you can do with this kind of imaging,
291
1049989
2972
amit ezzel a képalkotással megtehetünk,
17:32
because it gives us a new way
292
1052961
2286
mert egy új módszert biztosít arra,
17:35
to capture our surroundings with common, accessible technology.
293
1055342
4724
hogy megörökítsük a környezetünket, mindennapi, hozzáférhető technológiával.
17:40
And so looking to the future,
294
1060066
1929
Szóval a jövőbe nézve,
17:41
it's going to be really exciting to explore
295
1061995
2037
nagyon izgalmas lesz felfedezni,
17:44
what this can tell us about the world.
296
1064032
1856
mit árulhat el ez nekünk a világról.
17:46
Thank you.
297
1066381
1204
Köszönöm!
17:47
(Applause)
298
1067610
6107
(Taps)
Erről a weboldalról

Ez az oldal olyan YouTube-videókat mutat be, amelyek hasznosak az angol nyelvtanuláshoz. A világ minden tájáról származó, kiváló tanárok által tartott angol leckéket láthatsz. Az egyes videók oldalán megjelenő angol feliratokra duplán kattintva onnan játszhatja le a videót. A feliratok a videó lejátszásával szinkronban gördülnek. Ha bármilyen észrevétele vagy kérése van, kérjük, lépjen kapcsolatba velünk ezen a kapcsolatfelvételi űrlapon.

https://forms.gle/WvT1wiN1qDtmnspy7