Жалобный котик — 55 фото
Печальный кот
Кот с жалостливыми глазами
Кот Шрек глаза
Рыжий котик арт
Котенок плачет
Просящий котик
Кот в шоке
Котик с жалобными глазами
Кот в сапогах три чертенка глаза
Кот Шрек глаза
Расстроенный кот
Котик плачет
Жалостливый котенок
Кот из Шрека глаза
Кот с жалобными глазами
Котенок с грустными глазами
Жалкий котик
Кот из Шрека с большими глазами
Кот в сапогах мультфильм из Шрека
Грустная кошка
Кот в сапогах Шрек глаза
Жалостливый взгляд котенка
Котенок плачет
Грустный кот
Грустный котенок
Грустная кошка
Кот просящий прощения
Грустный котенок
Пучеглазая кошка
Котик просит
Кот из Шрека с большими глазами
Просящие глазки
Милые глазки
Котик с глазами просящими
Котик расстроился
Самая милая кошка в мире
Жалостливый взгляд
Милый котик просит
Кот грустит
Кот с жалобными глазами
Печальный котик
Грустная кошка
Котенок из Шрека с глазами
Унылый котик
Кот из Шрека глаза
Грустный кот с большими глазами
Котик просит
Забавные котята
Коты Луху
Красивый котяра
Кот в сапогах Шрек
Кот плачет
Шрек 2 кот в сапогах
Рыжий Бездомный котенок
Котик из Шрека
Коллекция из 55 красивых фото — Жалобный котик во всей красе! Смотрите фотографии животных онлайн, или скачивайте в хорошем качестве бесплатно на телефон. Кроме того, смотрите другие фото , например Кельтский кот рыжий, Дружба кота и собаки в разделе Кошки!
Красивые картинки котики и цветы (40 фото) • Развлекательные картинки
Невероятно красивые картинки с самыми милыми, очаровательными котиками, кошечками и котятами в нежных цветах, с веночками из цветов, с вазами цветов. Предлагаем вашему вниманию красивые картинки и цветы.
Милый белый котик с веночком из цветов.
Нежные цветы, сладости, рыжий котик, украшения, чашечка и блюдце.
Кот с веночком из желтых цветочков.
Прикольный котик с зонтиком из цветов.
Красивая зеленоглазая кошечка с цветами на голове.
Белый пушистый котенок в фиолетовых цветах.
Букет ромашек и рыжий кот.
Смешной котик возле вазы с тюльпанами.
Красивая кошка на фоне голубого неба и ветки с розовыми цветами.
Прекрасные цветы на дереве и котик.
Маленький котенок в цветах.
Красивый рыжий котик с розами.
Нежная картинка котик и цветы фиолетовые.
Прикольный рыжик с букетом роз в зубах.
Красивая голубоглазая кошечка в цветах.
Котенок уснул у чашечке с ромашками.
Котик возле вазы с красными тюльпанами.
Нежный котенок в веночке из цветов.
Пушистая маленькая кошечка спит в цветах.
Милый рыжий котик с букетом цветов на картинке.
Рыжик нюхает тюльпаны.
Очаровательный котик и розовые цветочки.
Котенок нюхает красные тюльпаны.
Игривая кошечка с красной розой.
Рыжий котик лежит возле вазы с цветами.
Пушистый котенок и разноцветные тюльпаны.
Рыжий кот и ваза с цветами в саду.
Невероятно красивая картинка с котиком и фиолетовыми цветами.
Кот нюхает тюльпан.
Самый красивый рыжий котик в розовых цветах.
Пепельный котенок с цветочками.
Белая красивая кошечка и желтые тюльпаны.
Котики обожают цветы!
Прикольная картинка с рыжим смешным котиком и цветами.
Большой пушистый кот и нежные цветы.
Цветущие деревья в саду и кошечка.
Маленький рыжик с голубыми глазками.
Красивая кошечка нюхает желтый цветок.
Виновная жертва: над убийцей котенка устроили самосуд | Статьи
На Ставрополье подросток убил котенка и выложил фото в TikTok. Наказание настигло живодера очень быстро: его встретили и избили сверстники. В итоге местная полиция проводит проверку сразу по нескольким статьям — и против «карателей», и против «жертвы». Эксперты подчеркивают — в обществе действительно стали нетерпимее относиться к проявлению жестокости в отношении животных, но самосуд может быть следствием неработающих законов. Подробнее — в материале «Известий».
Как подростка наказали за убийство котенка
На днях подросток обезглавил котенка, а фото выложил в социальные сети. Позже в интернете появилось еще одно видео — предположительно, автор фото лежит на земле без движения, избитый подростками, а на заднем плане слышны крики: «Он котенка убил, я думал, я сам его сейчас убью!» Одна из девушек защищает пострадавшего, утверждая, что «никого он не убивал». СМИ сообщают, что подростки таким образом решили наказать живодера. В краевом МВД сообщили, что ведут проверку по факту публикаций в СМИ.
— В действиях граждан усматриваются признаки состава преступлений, предусмотренных ст. 245 УК РФ («Жестокое обращение с животными»), ст. 116 УК РФ («Побои») либо ст. 6.1.1 КоАП РФ («Побои»), — сообщили «Известиям» в пресс-службе ГУ МВД России по Ставропольскому краю. — Сотрудниками подразделения по делам несовершеннолетних ведутся мероприятия по установлению причастности подростков к жестокому обращению с животными. Также проводятся необходимые проверочные мероприятия по установлению всех участников происшествия и выяснению обстоятельств произошедшего.
Фото: соцсети
Расправа над предположительным живодером в Ставропольском крае
Решение о возбуждении уголовного дела пока не принято. Если факты подтвердятся, наказание понесут и подростки, избившие сверстника, и живодер.
Что грозит инициаторам самосуда
Адвокат, управляющий партнер AVG Legal Алексей Гавришев в беседе с «Известиями» заметил, что расправа над живодером может быть квалифицирована по различным статьям УК РФ — в зависимости от оценки этих событий прокуратурой и правоохранительными органами.
— Но если расправу совершали несколько человек, это обстоятельство будет расцениваться как отягчающее в данной категории дел, — поясняет он.
Партнер адвокатского бюро города Москвы «Щеглов и партнеры», адвокат Анастасия Лукьянова полагает, что ребят, избивших живодера, накажут серьезнее.
— В случае причинения потерпевшему средней тяжести вреда здоровью (ст. 112 УК РФ) либо тяжкого вреда (ст. 111 УК РФ) возраст уголовной ответственности снижен законодателем до 14 лет
Фото: ИЗВЕСТИЯ/Александр Казаков
Управляющий партнер «Легес-Бюро» Мария Спиридонова замечает, что самосуд российским законодательством не разрешен, но не входит и в перечень отягчающих обстоятельств. Однако и смягчающим обстоятельством это назвать сложно, считает она.
А вот живодеру может повезти больше. Его действия подпадают под пункт «г» ч. 2 ст. 245 УК РФ, замечает Лукьянова («Жестокое обращение с животным с публичной демонстрацией»), но в дело вмешивается возраст.
— Возраст уголовной ответственности по ст. 245 УК РФ составляет 16 лет, — подтверждает Спиридонова. — Если подросток, убивший котенка, не достиг на момент совершения деяния этого возраста, он не подлежит уголовной ответственности по данной статье.
Председатель комитета Госдумы по экологии и охране окружающей среды Владимир Бурматов замечает: статью 245 не так давно изменяли, ужесточив максимальное наказание до пяти лет лишения свободы. Но с малолетними живодерами эта статья не справляется.
— Такие преступления часто совершаются лицами, не достигшими 16 лет, — сказал он «Известиям». — И чтобы не криминализировать эту категорию лиц, мы сейчас с главой комитета по государственному строительству и законодательству Павлом Крашенинниковым внесли поправки в КоАП об административной ответственности за жестокое обращение с животными.
Фото: ТАСС/Петр Ковалев
Он выразил надежду, что поправки примут уже осенью. Тогда родители подобных живодеров будут платить очень серьезные штрафы.
Как суды наказывают живодеров
— Назначение наказания за данное преступное деяние в виде лишения свободы, в целом, не практикуется судами и возможно лишь в случае совершения наряду с жестоким обращением с животным других преступлений — тяжких и особо тяжких, в то время как жестокое обращение с животными представляет собой преступление средней тяжести, — говорит Лукьянова.
С ней соглашаются и остальные юристы, замечая, что найти и доказать факт жестокого обращения удается всё еще довольно редко, а в суде чаще распространены наказания в виде исправительных и принудительных работ.
— Типичный пример: хабаровские живодерки, — рассказала «Известиям» бывший президент благотворительного фонда помощи животным «Забытые животные», юрист Анастасия Комагина. — Их осудили на реальный срок, но там было еще много других статей: экстремизм, разбой и т.д. В итоге в колонию их отправили не за живодерство, а за экстремизм.
Алина Орлова и Алена Савченко, обвиняемые по делу о жестоких убийствах животных, в здании Индустриального районного суда в Хабаровске, 2017 год
Фото: ТАСС/Дмитрий Моргулис
Выводы юристов подтверждает статистика Судебного департамента при Верховном суде. За 2020 год по ч. 1 ст. 245 было осуждено 88 человек, по ч. 2 — 57 человек. При этом к реальному лишению свободы были приговорены лишь 12 из них. В 2019 году ситуация была аналогичной: осуждены в совокупности 135 человек, лишены свободы — 10. И дел таких не очень много, и реальных сроков — меньше 1%.
— По 245-й статье практика стала гораздо более эффективной после того, как мы поменяли формулировки и внесли правки, — считает Бурматов. — До суда стали доходить больше обвинительных заключений. Но у нас нет задачи забить тюрьмы людьми. Задача — чтобы была неотвратимость наказания: штраф, обязательные или исправительные работы. Вариантов масса.
Почему 245-я статья УК не работает
Анастасия Комагина не согласна с такой трактовкой уголовной статьи: как раз неотвратимости наказания нет, считает она.
— Тот факт, что дети занялись самосудом, — это следствие как раз отсутствия основного фактора, который должен быть в правовом государстве: неотвратимости наказания, — считает она. — Дети видят, что даже взрослые живодеры остаются безнаказанными. А наказание должно быть: пусть три года в колонии, но должны быть, а не условные или исправительные работы. Тогда это будет иметь смысл и все граждане будут понимать, что как ни крути, наказания не миновать.
Сейчас, говорит Комагина, очень часто полицейские просто не хотят возбуждать уголовные дела по жестокому обращению с животными.
— Был случай в одной деревне: пекинес забежал к соседям, которых собаки раздражали, — рассказывает она. — И женщина-соседка взяла и повесила собаку на заборе. Собака умерла. Хозяйка обратилась в полицию, но ей написали отказное с мотивировкой, что соседка «не имела умысла на убийство». Она просто повесила собаку на заборе.
Фото: ТАСС/Сергей Карпухин
Юрист по вопросам обращения с домашними животными Анна Разинова также поясняет, что полицейские не всегда берутся за расследование, потому что такие дела зачастую сложно расследовать. Более того, она считает, что помогла бы декриминализация ст. 245 — вывод ее в административное поле, но с очень серьезными штрафами.
— Всегда применение Административного кодекса легче и быстрее, чем применение уголовного наказания, — сказала она «Известиям». — Как правило, людей по 245-й приговаривают к какому-либо условному сроку, часто применяют отсрочку исполнения наказания. Либо обязательные работы с отчислением процентов. Но что это за наказание?
Руководитель фонда помощи бездомным животным «Ника» Вера Митина замечает, что для зоозащитников победой является уже принятие заявления полицией и его рассмотрение.
— Особенно в регионах часта практика, когда зоозащитники получают отказ в возбуждении уголовного дела, — рассказала она «Известиям». — Доказать жестокое обращение сложно. Кроме того, основанием часто является то, что заявитель не имеет отношения к животному, является «незаинтересованной стороной» — так как речь часто идет о бездомных животных.
Тем не менее, полагает она, работа этой статьи — дело времени: нужно сотрудничать с полицией, дорабатывать закон, четко прописать, в каких случаях обращение будет признано жестоким.
Как изменилось отношение к живодерам
Все эксперты признают: общество меняет отношение к животным в лучшую сторону.
Фото: ТАСС/Петр Ковалев
— Распространяется знание о том, как гуманно себя вести с домашними животными, — говорит Комагина. — Это касается даже стерилизации, которая помогает снижать количество бездомных животных. Лет 10 назад за призыв стерилизовать кошку, вместо того чтобы искать ей «пару для утех любовных», как делали некоторые владельцы животных, в ответ можно было получить: «Себя стерилизуй, как тебя земля носит, живодерка». Сейчас же сами граждане, далекие от зоозащиты, говорят — мы свою кошку стерилизовали и вам желаем, не нужно плодить бездомышей.
Она считает, что положительные тенденции тем не менее не связаны с принятием закона «Об ответственном обращении с животными» и деятельностью государства, которое, по ее мнению, недостаточно делает для защиты животных.
С ней не согласна Вера Митина.
— В целом ситуация меняется в лучшую сторону, — говорит она, — и с выходом закона это тоже связано. Зоозащитники видят, что случаи жестокого обращения широко освещаются, доходят до органов и они реагируют — такая практика нарабатывается.
Владимир Бурматов считает: закон повлиял на ситуацию в том смысле, что нормы морали оформили законодательно.
Фото: ТАСС/Виктор Кручинин
— Всегда было понятно, что это плохо — издеваться над животными, — говорит он. — Но при этом у нас давали награды убийцам животных — массовым и серийным. Возьмите любого муниципального чиновника, который до этого заключал контракт на убийство десятков и тысяч несчастных животных. Ему давали премию за их массовое уничтожение, причем методами абсолютно садистскими и зверскими. И если кота убил — то это было общественное порицание, а если ты убил тысячи собак — тебе премия и грамота от главы города как эффективному чиновнику. Всё было перевернуто с ног на голову.
Теперь, считает депутат Госдумы, законодательство привели в соответствие с нормами человеческой морали и общечеловеческих гуманных ценностей.
Интересные факты о котиках
В отличие от собак, которые просто обожают сладости (давать им сладкое категорически нельзя!), коты равнодушны к сахару. Ученые предполагают, что это связано с мутацией в одном из ключевых вкусовых рецепторов. Готовы поспорить, многие люди многое отдали бы за такую суперсилу — возможность без труда противостоять тортикам и конфетам.
Когда вы будете в следующий раз недоумевать, почему кот не торопится слезать с дерева самостоятельно, вспомните этот факт. Из-за того, что все когти кошек смотрят в одном направлении, животное не может слезть с дерева головой вниз (когти не могут зацепиться за кору). Для котика единственный путь вниз по стволу — спиной, что не так уж просто и удобно.
По приблизительным подсчетам, на настоящий момент в мире живет более 500 миллионов домашних кошек. Также человечеству известно около 40 кошачьих пород: самая популярная кошка — персидская, за ней следуют мейн-куны, а на третьем месте — сиамские коты.
Вероятно, вам все же не удастся обучить кота французскому, однако, если говорить о кошачьей коммуникации, известно, что эти животные способны издавать около 100 различных звуков. Кстати, большинство из них они используют исключительно в общении с людьми. Для сравнения: собаки способны издавать около 10 различных звуков.
Традиционно считается, что за домашних котиков человечество должно сказать спасибо египтянам. Однако сравнительно недавно останки домашнего кота были обнаружены в древней гробнице на Кипре, возраст которой насчитывает более 9500 лет. В свою очередь, первым упоминаниям о котах Египта не более 4000 лет.
Плохие новости для тех, в чьей голове плотно засела картинка кота, лакающего молоко из блюдца. Исследования показывают, что коты страдают непереносимостью лактозы, поэтому добросердечная попытка напоить несчастное животное молоком на самом деле приносит больше вреда, чем пользы.
Ну или почти. Дело в том, что во время испанской инквизиции папа Иннокентий VIII признал котов исчадием ада, из-за чего в Европе были сожжены тысячи несчастных животных. Однако резкое уменьшение количества котов на улицах способствовало росту популяции крыс, что, в свою очередь, сильно усугубило ситуацию с чумой.
По крайней мере на коротких дистанциях. Максимальная скорость, которую способно развить животное, — 49 км/ч, что практически аналогично максимальному ограничению скорости движения в большинстве городов (50 км/ч). Впрочем, из-за плохой выносливости животных вряд ли хоть у кого-то получится прокатиться в кошачьей упряжке. Может, оно и к лучшему!
Зрение кошек одновременно лучше и хуже, чем у людей. Лучше — потому что кошки могут хорошо видеть в темноте, при тусклом свете и имеют более широкий периферический обзор. Хуже — потому что они не способны видеть цвета так, как их видят люди. Например, ученые считают, что для кошек вся трава красного цвета.
Несмотря на то что, наверное, каждый хоть раз в жизни слышал душераздирающие звуки кошачьей схватки, коты делают все возможное, чтобы избежать конфликта. Ссора двух котов скорее исключение из правил. Да и в целом у этого животного нет потребности доминировать: коты вступают в бой только для того, чтобы еще раз утвердить свое право на территорию, но крайне редко устраивают набеги на чужие земли.
Как отличить кота от кошки — как определить пол котенка
Многие владельцы по разным причинам хотят узнать пол своих питомцев как можно раньше. Для определения пола котенка нужно понимать некоторые особенности, связанные с этой процедурой. Можно дать несколько рекомендаций, которые помогут определить пол животного с наибольшей точностью.Когда лучше всего определять пол?
Заметные гендерные различия у котят начинают проявляться после двух месяцев. Однако распознать «девочку» или «мальчика» (то есть самку или самца) можно и раньше, но это будет сделать сложнее, и результат может оказаться неточным.
Обычно пол котят определяют начиная с трехнедельного возраста. Однако, обладая опытом, возможно отличить самца от самки и сразу после рождения.
Для чего нужно знать пол котенка?
Есть несколько причин, по которым владельцы хотят узнать пол котенка как можно раньше. В первую очередь, это, конечно, необходимость дать кличку питомцу. Переименовывать животных во взрослом возрасте нежелательно: ведь они привыкают к своим кличкам и откликаются на них, а на новые могут не реагировать.
Вторая причина необходимости определения пола котенка заключается в том, что многим владельцам нужно знать заранее, какой тип ветеринарной процедуры может потребоваться для стерилизации.
Третья причина заключается в том, что многие люди предпочитают выбирать животное определенного пола, так как дальнейшее поведение питомца во многом будет зависеть от гендерной принадлежности.
Правила обращения с котятами при проведении процедуры
В первую очередь, с котятами всегда нужно обращаться очень бережно. Определяя пол, не тяните за хвост, не поднимайте за него животное, не давите на живот или половые органы котенка, иначе вы можете травмировать его.
Имея дело с маленьким котенком, наблюдайте за ним. Если кошка или сам котенок проявляют недовольство, отложите процедуру. Если из-за вашего вмешательства кошка обеспокоена безопасностью потомства, возможно, она начнет переносить котят в другое место.
Лучше проводить процедуру определения пола после достижения котенком трех недель. Не забирайте котенка у матери надолго: он еще плохо регулирует температуру тела и очень легко может замерзнуть. Выберите для определения пола время, когда котенок недавно поел, не спит, ведет себя спокойно.
Что можно сделать, чтобы выяснить пол?
Есть более и менее достоверные методы, но все они в той или иной степени помогают узнать пол питомца.
Внешний вид гениталий
Прежде чем брать котенка на руки, вымойте руки теплой водой. Поместите котенка на мягкую поверхность. Приподнимите ему хвост или слегка поглаживайте основание хвоста – тогда он рефлекторно приподнимется сам. Осмотрите половые органы. На промежности котенка видно два отверстия: анус (задний проход) – ближе к хвосту, а ниже – отверстие гениталий.
У самки отверстие гениталий выглядит как вертикальная щель. Зона, разделяющая анальное отверстие и вульву, лишена шерсти и очень короткая (у новорожденной кошки – всего от 3 до 5 мм).
У самца генитальное отверстие является отверстием крайней плоти. Между анусом и крайней плотью находится мошонка (у новорожденного котенка она часто бывает пустой, а расстояние, разделяющее два отверстия, больше, чем у самки: около 1 см). Семенники опустятся в мошонку примерно через три месяца после рождения кота. Мошонка покрыта шерстью. Уже к десятидневному возрасту у котов эта область более пушистая, чем у кошечек.
Определять пол проще, если вы имеете дело с целым пометом котят и можете сравнить самцов и самок между собой.
Красивые картинки котиков и кошек зимой в снег и Новый год
Красивая подборка милых и удивительных котиков зимой в снегу или со снегом. Самые лучшие картинки, на которых вы найдете домашних любимцев в белоснежных тонах.
Для того, чтобы скачать картинку, нужно нажать на неё ПКМ и выбрать пункт меню «Сохранить как…»
Затем при помощи дата-кабеля, Bluetooth или инфракрасного порта загрузите её себе на телефон.
Смотрите также — Красивые арты парней и девушек с котами, кошками — подборка
Смотрите также — Красивые и невероятные кошки, котики Као мани — картинки, фото
Это интересно:
- Красивые Манчкин кошки с маленькими лапками — обои, картинки
- Красивые и невероятные кошки, котики Као мани — картинки, фото
- Абиссинская кошка — красивые обои для заставки телефона
- Красивые картинки на телефона на заставку кошки и котики — подборка
- Картинки котиков на телефон — лучшая сборка изображений
- Красивые картинки котиков и кошек на заставку телефона — подборка
- Красивые картинки на телефон котята и кошечки — подборка
- Красивые новогодние и рождественские картинки на телефон
- Удивительные картинки на заставку телефона Зима — подборка
- Обои и картинки про зиму на заставку телефона — самые красивые
Про котиков, собак, машинное обучение и deep learning / Хабр
«В 1997 году Deep Blue обыграл в шахматы Каспарова.
В 2011 Watson обставил чемпионов Jeopardy.
Сможет ли ваш алгоритм в 2013 году отличить Бобика от Пушистика?»
Эта картинка и предисловие — из челленджа на Kaggle, который проходил осенью прошлого года. Забегая вперед, на последний вопрос вполне можно ответить «да» — десятка лидеров справилась с заданием на 98.8%, что на удивление впечатляет.
И все-таки — откуда вообще берется такая постановка вопроса? Почему задачи на классификацию, которые легко решает четырехлетний ребенок, долгое время были (и до сих пор остаются) не по зубам программам? Почему распознавать предметы окружающего мира сложнее, чем играть в шахматы? Что такое deep learning и почему в публикациях о нем с пугающим постоянством фигурируют котики? Давайте поговорим об этом.
Что вообще значит «распознать»?
Предположим, что у нас есть две категории и много-много картинок, которые нужно разложить в две соответствующие категориям стопки. По какому принципу мы будем это делать? Замечательный ответ на этот вопрос состоит в том, что никто точно не знает, но общепринятый подход такой: мы будем искать в картинках какие-то «интересные» нам куски данных, которые будут встречаться только у одной из категорий. Такие куски данных называются
features, а сам подход —
feature detection. Существуют достаточно уверенные доводы в пользу того, что как-то так работает и биологический мозг — первым делом, конечно, знаменитый эксперимент
Хьюбела и Визеляна клетках кошачьей (опять) зрительной коры.
О терминах
В отечественной литературе про машинному обучению вместо feature пишут «признак», что, по-моему, звучит как-то размыто. Здесь я буду говорить «фича», да простится мне это издевательство над русским языком.
Мы никогда не знаем заранее, какие части нашей картинки могут использоваться как хорошие фичи. В их роли может выступать все, что угодно — фрагменты изображения, форма, размер или цвет. Фича запросто может даже не присутствовать на картинке сама, а выражаться в параметре, полученным каким-то образом из исходных данных — например, после использования фильтра границ. Ок, давайте посмотрим на пару примеров с нарастающей сложностью:
Допустим, мы хотим сделать гугл-кар, который мог бы отличать правые повороты от левых и соответствующим образом поворачивать руль. Правило для обнаружения хорошей фичи можно придумать почти на пальцах: отрезаем верхнюю половину картинки, выделяем участок определенного оттенка (асфальт), прикладываем к нему слева какую-нибудь логарифмическую кривую. Если весь асфальт поместился под кривой — то у нас поворот направо, иначе — налево. Можно набрать себе несколько кривых на случай поворотов разной кривизны — и, конечно, разный набор оттенков асфальта, включающий в себя сухое и мокрое состояние. Правда, на грунтовых дорогах наша фича окажется бесполезной.
Пример из датасета рукописных цифр MNIST — эту картинку, наверное, видел каждый, кто хоть немного знаком с машинным обучением. У каждой цифры есть характерные геометрические элементы, которые определяют, что это за цифра — завиток внизу у двойки, косая черта через все поле у единицы, два состыкованных круга у восьмерки и т.д. Мы можем составить себе набор фильтров, которые будут выделять эти существенные элементы, потом поочередно прикладывать эти фильтры к нашему изображению, и кто покажет лучший результат — тот, скорее всего, и есть правильный ответ.
Картинка из курса Джоффри Хинтона
«Neural networks for machine learning»Кстати, обратите внимание на цифры 7 и 9 — у них отсутствует нижняя часть. Дело в том, что у семерки и девятки она одинаковая, и полезной информации для распознания не несет — поэтому нейросеть, которая вырабатывала эти фичи, проигнорировала этот элемент. Обычно для получения таких фич-фильтров мы как раз и пользуемся обычными однослойными нейронными сетями или чем-то похожим.
Ок, ближе к теме. Как насчет такого?
Различий между этими двумя картинками очень много — глаза разбегаются. Уровень яркости, цвета, или вот например забавное совпадение — у левой картинки белый цвет преобладает в левой части, а у правой — в правой. Но нам нужно выбрать не любые, а именно те, которые однозначно будут определять кошек или собак. То есть, например, следующие две картинки должны распознаться как принадлежащие одной категории:
Если долго и внимательно смотреть на них и пытаться понять, что между ними общего, то в голову приходит разве что форма ушей — они более-менее одинаковые, только справа наклонены. Но это тоже совпадение — можно легко себе представить (и найти примеры из того же набора данных) фотографию, на которой кот смотрит не в ту сторону, наклоняет голову или вообще запечатлен сзади. Остальное — все разное. Масштаб, цвет и длина шерсти, глаз, поза, фон… Вообще ничего общего — и тем не менее, небольшое устройство в вашей голове способно с высочайшей точностью и безошибочно отнести эти две картинки к одной категории, а две те, что повыше — к разным. Не знаю, как вас, а меня иногда восхищает, что такой могущественный девайс находится совсем рядом у каждого из нас, только руку протянуть — и тем не менее, мы до сих пор не можем понять, как он работает.
Пятиминутка оптимизма (и теории)
Ладно. А все-таки, если попробовать задать наивный вопрос — чем кошки визуально отличаются от собак? Мы можем с легкостью начать список — размер, пушистость, усы, форма лап, наличие характерных поз, которые они могут принимать… Или, например, у кошек
нет бровей. Проблема в том, что все эти отличительные признаки выражены не на языке пикселей. Мы не можем заложить их в алгоритм, пока предварительно не объяснили ему, что такое эти самые брови и где они должны находиться — или что такое лапы и откуда они растут. Более того, мы, в общем-то, делаем все эти алгоритмы распознавания для того, чтобы понимать, что перед нами кошка — существо, к которому применимы понятия «усы», «лапы» и «хвост» — а до этого мы даже не можем с достаточной уверенностью сказать, где на фотографии заканчиваются обои или диван, и начинается кошка. Круг замкнулся.
Но некоторый вывод отсюда сделать все-таки можно. Когда мы формулировали фичи в предыдущих примерах, мы исходили из возможной изменчивости объекта. Поворот дороги может быть только влево или вправо — других вариантов нет (кроме проезда прямо, конечно, но там и делать ничего не надо), плюс стандарты дорожного строительства гарантируют нам, что поворот будет достаточно плавным, а не под прямым углом. Поэтому мы конструируем свою фичу так, чтобы она допускала различную кривизну поворота, определенный набор оттенков дорожного покрытия, и на этом возможная изменчивость заканчивается. Следующий пример: цифра «1» может быть написана разным почерком, и все варианты будут отличаться друг от друга — но в ней обязательно должна присутствовать прямая вертикальная (или наклонная) черта, иначе она перестанет быть единицей. Когда мы подготавливаем свою фичу-фильтр, мы оставляем классификатору пространство для изменчивости — и если взглянуть на картинку под спойлером снова, можно увидеть, что активная часть фильтра для единицы представляет собой толстую полосу, которая позволяет нарисовать черту с разным наклоном и с допустимым острым углом в верхней части.
В случае с котами «пространство для маневра» наших объектов становится неизмеримо огромным. На картинке могут быть коты разных пород, большие и маленькие, на любом фоне, какой только можно придумать, их может частично загораживать какой-нибудь объект, и конечно, они могут принимать сто тысяч различных поз — и это мы еще не упоминали про трансляцию (перенос объекта на картинке в сторону), вращение и масштабирование — вечную головную боль всех классификаторов. Составить плоский фильтр, аналогичный предыдущему, который мог бы учитывать все эти изменения, кажется невозможной задачей — попробуем мысленно совместить тысячи разных форм на одной картинке, и мы получим бесформенное пятно фильтра, которое будет положительно реагировать на все подряд. Значит, искомые фичи должны должны представлять собой какую-то более сложную структуру. Какую — пока непонятно, но она должна иметь возможность учитывать в себе все эти возможные изменения.
Это «пока непонятно» длилось довольно долго — большую часть истории машинного обучения. Но вдруг в какой-то момент люди поняли об окружающем мире одну увлекательную идею. Звучит она примерно так:
Все вещи состоят из других, маленьких и более элементарных вещей.
Когда я говорю «все вещи», я имею в виду буквально все, что угодно, чему мы способны обучаться. В первую очередь, раз этот пост про зрение — конечно, объекты окружающего мира, изображенные на картинках. Любой видимый объект, продолжаем мы мысль, можно представить в виде композиции каких-то устойчивых элементов, а те, в свою очередь состоят из геометрических фигур, а те — сочетание линий и углов, расположенных в определенном порядке. Примерно вот так:
(почему-то не нашел хорошей информативной картинки, поэтому эта вырезана из выступления Эндрю Ына (основатель Coursera) про deep learning
Кстати, в рамках наивных размышлений можно сказать, что наша речь и естественный язык (которые тоже давно считаются вопросами искусственного интеллекта) представляет собой структурную иерархию, где буквы складываются в слова, слова — в словосочетания, а те, в свою очередь, в предложения и текст — и что при встрече с новым словом нам не приходится заново учить все буквы, входящие в него, а незнакомые тексты мы вообще не воспринимаем как нечто требующее специального запоминания и обучения. Если заглянуть в историю, можно обнаружить множество подходов, которые в той или иной степени (и в основном, гораздо более научно обоснованно) высказывали эту мысль:
1. Уже упоминавшиеся Хьюбел и Визель в своем эксперименте в 1959 году обнаружили в зрительной коре мозга клетки, реагирующие на определенные символы на экране — и кроме этого обнаружили существование других клеток «уровнем выше», которые, в свою очередь, реагируют на определенные устойчивые сочетания сигналов от клеток первого уровня. На основании этого они предположили существование целой иерархии аналогичных клеток-детекторов.
… где
демонстрируется, как они почти случайно обнаружили нужную фичу, которая заставляла нейрон реагировать — сдвинув чуть дальше обычного образец так, что край стекла попал в камеру. Чувствительным людям смотреть осторожно, в наличии издевательства над животными.
2. Где-то в районе двухтысячных в среде специалистов машинного обучения появляется сам термин
deep learning— применительно к нейронным сетям, у которых не один слой нейронов, а много — и которые, таким образом, могут обучаться нескольким уровням фич. Подобная архитектура имеет вполне строго обоснованные преимущества — чем больше уровней в сети, тем более сложные функции она может выражать. Немедленно возникает проблема с тем, как обучать такие сети — повсеместно использовавшийся раньше алгоритм обратного распространения ошибки (backpropagation) плохо работает с большим количеством слоев. Появляется несколько разных моделей для этих целей — автоэнкодеры, ограниченные машины Больцмана и т.д.
3. Джефф Хокинс в своей книге «Об интеллекте» в 2004 году пишет, что иерархический подход рулит и за ним будущее. Он уже слегка опоздал к началу бала, но не могу о нем не упомянуть — в книге эта мысль выводится из совершенно повседневных вещей и простым языком, человеком, который был достаточно далек от машинного обучения и вообще говорил, что все эти ваши нейронные сети — плохая идея. Почитайте книгу, она очень вдохновляет.
Немного о кодах
Итак, у нас есть гипотеза. Вместо того, чтобы запихивать в обучающий алгоритм 1024×768 равноправных пикселей и смотреть, как он медленно задыхается от нехватки памяти и неспособности понять, какие пиксели важны для распознавания, мы хотим извлечь из картинки некоторую иерархическую структуру, которая будет состоять из разных уровней. На первом уровне мы предполагаем увидеть какие-то самые базовые, структурно простые элементы картинки — ее строительные кирпичи: границы, штрихи, отрезки. Повыше — устойчивые комбинации фич первого уровня (например, углы), еще выше — фичи, скомпонованные из предыдущих (геометрические фигуры, и т.д.). Собственно, вопрос — откуда взять такую структуру для отдельной картинки?
Давайте в качестве отвлеченного вопроса немного поговорим о кодах.
Когда мы хотим представить объект из реального мира в компьютере, мы пользуемся каким-то набором правил, чтобы перевести этот объект, по кусочкам, в цифровой вид. Букве, например, ставится в сопоставление байт (в ASCII), а картинка разбивается на много маленьких пикселей, и каждый из них выражается набором чисел, которые передают яркость и цветовую информацию. Моделей представления цвета много, и хотя, вообще говоря, не все равно, какую использовать для обучения — для простоты пока представим себе черно-белый мир, где один пиксель представляется числом от 0 до 1, выражающим его яркость — от черного до белого.
Что не так с этим представлением? Каждый пиксель здесь — независим, передает только небольшую часть информации о итоговой картинке. Это, с одной стороны, приятно и выгодно, когда нам нужно куда-то сохранить картинку или передать по сети, потому что она занимает меньше места, с другой — неудобно для распознавания. В нашем случае мы видим здесь наклонный штрих (немного с изгибом) в нижней части изображения — отсюда сложно догадаться, но это деталь контура носа с фотографии лица. Так вот, в данном случае нам важны те пиксели, которые составляют этот штрих, важна граница между черным и белым — а едва уловимая игра света в оттенках светло-серого в верхней части квадратика совершенно не важна, и не стоит даже тратить на нее вычислительные ресурсы. Но в этом представлении нам приходится иметь дело со всеми пикселями сразу — каждый из них ничем не лучше другого.
Давайте теперь представим себе другой код. Разложим этот квадратик на линейную сумму других таких же квадратиков, каждый из которых умножен на коэффициент. Можно себе представить, как мы берем много пластин темного стекла с разной прозрачностью, и на каждой пластине нарисованы различные штрихи — вертикальные, горизонтальные, разные. Мы кладем эти пластины стопкой друг на друга, и настраиваем прозрачность так, чтобы получить нечто похожее на наш рисунок — не идеальное, но достаточное для целей распознавания.
Наш новый код состоит из функциональных элементов — каждый из них теперь говорит что-то о присутствии в исходном квадратике какого-то отдельного осмысленного компонента. Видим коэффициент 0.01 у компонента с вертикальным штрихом — и понимаем, что в образце мало «вертикальности» (зато много «косого штриха» — см. первый коэффициент). Если мы независимым образом выберем компоненты этого нового кода, его словарь, то можно ожидать, что ненулевых коэффициентов будет немного — такой код называется разреженным (sparse).
Полезные свойства такого представления можно увидеть на примере одного из приложений под названием denoising autoencoder. Если взять изображение, разбить его на небольшие квадраты размером, допустим, 10×10, и для каждого кусочка подобрать соответствующий код — то мы можем с впечатляющей эффективностью затем очищать это изображение от случайного шума и искажений, переводя зашумленное изображение в код и восстанавливая обратно (пример можно найти, например, здесь). Это показывает, что код нечувствителен к случайному шуму, и сохраняет те части изображения, которые нужны нам для восприятия объекта — благодаря чему мы считаем, что шума после восстановления стало «меньше».
Обратной стороной такого подхода оказывается то, что новый код тяжеловесней — в зависимости от количества компонентов, бывший квадратик 10×10 пикселей может утяжелиться в значительно большей степени. Чтобы оценить масштаб — есть свидетельства того, что зрительная кора головного мозга человека кодирует 14×14 пикселей (размерность 196) с помощью примерно 100000 нейронов.
А еще мы внезапно получили первый уровень иерархии — он как раз и состоит из элементов словаря этого кода, которые, как сейчас можно будет убедиться, представляют собой штрихи и границы. Осталось откуда-то взять этот самый словарь.
Пятиминутка практики
Воспользуемся пакетом scikit-learn — библиотекой для машинного обучения к SciPy (Python). И конкретно, классом (сюрприз) MiniBatchDictionaryLearning. MiniBatch — потому что алгоритм будет не над всем датасетом сразу, а поочередно над небольшими, случайно выбранными пачками данных. Процесс прост и занимает десять строчек кода:
from sklearn.decomposition import MiniBatchDictionaryLearning
from sklearn.feature_extraction.image import extract_patches_2d
from sklearn import preprocessing
from scipy.misc import lena
lena = lena() / 256.0 # тестовое изображение
data = extract_patches_2d(lena, (10, 10), max_patches=1000) # извлекаем тысячу кусочков 10x10 - обучающую выборку
data = preprocessing.scale(data.reshape(data.shape[0], -1)) # rescaling - сдвигаем значения симметрично нуля, и чтобы стандартное отклонение равнялось 1
learning = MiniBatchDictionaryLearning(n_components=49)
features = learning.fit(data).components_
Если нарисовать то, что лежит в features, получится примерно следующее:
import pylab as pl
for i, feature in enumerate(features):
pl.subplot(7, 7, i + 1)
pl.imshow(feature.reshape(10, 10),
cmap=pl.cm.gray_r, interpolation='nearest')
pl.xticks(())
pl.yticks(())
pl.show()
Тут можно ненадолго остановиться и вспомнить, зачем мы все это изначально делали. Мы хотели получить набор достаточно независимых друг от друга «строительных кирпичиков», из которых складывается изображенный объект. Чтобы этого добиться, мы нарезали много-много маленьких квадратных кусочков, прогнали их через алгоритм, и получили, что все эти квадратные кусочки можно с достаточной степенью достоверности для распознавания представить в виде композиции вот таких компонентов. Поскольку на уровне 10×10 пикселей (хотя, конечно, зависит от разрешения картинки) мы сталкиваемся только с краями и границами, то их же и получаем в результате, все — с необходимостью разные.
Это закодированное представление мы можем использовать в качестве детектора. Чтобы понять, является ли случайно выбранный кусок картинки краем или границей, мы берем его и просим scikit подобрать эквивалентный код, вот так:
patch = lena[0:10, 0:10]
code = learning.transform(patch)
Если какой-нибудь один из компонентов кода имеет достаточно большой коэффициент по сравнению с остальными — то мы знаем, что это сигнализирует от присутствии соответствующего вертикального, горизонтального или еще какого-нибудь штриха. Если все компоненты примерно одинаковы — значит, в этом месте на картинке однотонный фон или шум, который интереса для нас не представляет.
Но мы хотим двигаться дальше. Для этого понадобится еще несколько преобразований.
Итак, любой фрагмент размера 10×10 теперь можно выразить последовательностью из 49 чисел, каждое из которых будет означать коэффициент прозрачности для соответствующего компонента на картинке выше. А теперь возьмем эти 49 чисел и запишем в форме квадратной матрицы 7×7 — и нарисуем то, что получилось.
А получилось следующее (два примера для наглядности):
Слева — фрагмент оригинального изображения. Справа — его кодированное представление, где каждый пиксель — уровень присутствия в коде соответствующего компонента (чем светлее, тем сильнее). Можно заметить, что на первом фрагменте (верхнем) нет четко выраженного штриха, и его код выглядит смешением всего подряд в слабой бледно-серой интенсивности, а на втором четко присутствует один компонент — а остальные все равны нулю.
Теперь, чтобы обучить второй уровень иерархии, возьмем из оригинальной картинки фрагмент побольше (так, чтобы в него помещалось несколько маленьких — скажем, 30×30), разрежем его на маленькие фрагменты и представим каждый из них в кодированом варианте. Потом состыкуем обратно вместе, и на таких данных обучим еще один DictionaryLearning. Логика простая — если наша первоначальная идея правильна, то находящиеся рядом края и границы должны тоже складываться в устойчивые и повторяющиеся сочетания.
То, что получилось в результате на примере, не выглядит чем-то осмысленным на первый взгляд, но это только на взгляд. Вот, например, что получается во втором уровне иерархии, которую тренировали на человеческих лицах.
многовато картинок как-тоТут, правда, размер фрагмента выбран побольше — 25×25 вместо 10×10. Одна из неприятных особенностей этого подхода — необходимость самому настраивать размер «минимальной смысловой единицы».
Некоторые трудности возникают с тем, чтобы нарисовать полученный «словарь», потому что второй уровень обучается на коде первого, и компоненты его будут выглядеть как пестрое крошево точек с рисунка выше. Для этого нам нужно сделать еще один шаг вниз — снова разбить эти компоненты на части, и «раскодировать» их при помощи первого уровня, но здесь этот процесс детально рассматривать не будем.
А дальше уровни наращиваются до тех пор, пока это необходимо, по совершенно такому же принципу. Вот, например, третий. И тут мы уже видим что-то интересное:
Каждое лицо здесь — фича размером 160×160. В нашем распоряжении несколько наиболее встречающихся расположений — фронтальное, пол-оборота направо и налево, плюс разные цвета кожи. При этом каждая фича имеет под собой еще два слоя, которые, во-первых, позволяют быстро проверять тестовые изображения на валидность, а во-вторых, дают дополнительное количество свободы — контуры и границы могут отклоняться от идеальных линий, но пока они остаются в рамках фич своего уровня, у них есть возможность просигнализировать о своем присутствии наверх.
Not bad.
И что — все, мы победили?
Очевидно, нет. На самом деле, если запустить тот же скрипт, которым я рисую все эти наборы, на искомом датасете про кошек и собак, картина будет крайне удручающая — уровень за уровнем нам будет возвращаться примерно одни и те же фичи, изображающие слегка изогнутые границы.
ок, это точно последняя
Одну собачью морду получилось заловить, но это чистая случайность — потому что похожий силуэт встретился в выборке, допустим, два раза. Если запустить скрипт еще раз, она может не появиться.
Наш подход страдает из-за того же, за что мы раскритиковали обычные feed-forward нейронные сети. DictionaryLearning в процессе обучения пытается искать некоторые общие места, структурные компоненты выбранных фрагментов картинки. В случае с лицами у нас все получилось, потому что они более-менее похожи друг на друга — вытянутые овальные формы с некоторым количеством отклонений (а несколько уровней иерархии дает нам больше свободы в этом отношении). В случае с котиками — уже не получается, потому что во всем датасете с трудом можно отыскать два похожих силуэта. Алгоритм не находит ничего общего между картинками в тестовой выборке — исключая первые уровни, где мы все еще имеем дело со штрихами и границами. Фэйл. Опять тупик. Потрачено.
Идеи на будущее
На самом деле, если подумать — выборка с большим количеством разных котиков хороша в том плане что охватывает разнообразие пород, поз, размеров и окрасок, но возможно, не слишком удачна для обучения даже нашего с вами интеллекта. В конце концов, мы учимся скорее методом многократных повторений и наблюдения за объектом, а не быстрым проглядыванием всех возможных его вариаций. Чтобы научиться играть на фортепиано, нам приходится постоянно играть гаммы — а было бы неплохо, если бы для этого достаточно было бы прослушать тысячу классических произведений. Итак, идея номер раз — уйти от разнообразия в выборке и сконцентрироваться на одном объекте в одной и той же сцене, но, скажем, в разных позициях.
Идея номер два вытекает из первой, и озвучивалась уже многими, в том числе упомянутым Джеффом Хокинсом — попытаться извлечь пользу из времени. В конце концов, разнообразие форм и поз, которое мы наблюдаем у одного объекта, мы видим во времени — и можем, для начала, группировать последовательно поступающие картинки, считая, что на них изображен один и тот же кот, просто каждый раз в несколько новой позе. А это значит, что нам, как минимум, придется кардинально сменить обучающую выборку, и вооружиться роликами с ютуба, найденными по запросу «kitty wakes up». Но об этом — в следующей серии.
Посмотреть на код
… можно на
гитхабе. Запуск через python train.py myimage.jpg (можно также указать папку с картинками), плюс дополнительные параметры настройки — количество уровней, размер фрагментов и т.д. Требует scipy, scikit-learn и matplotlib.
Полезные ссылки и что еще можно вводного почитать про deep learning
- A Primer on Deep Learning — информативный пост с историей вопроса, кратким введением и гораздо более красивыми картинками.
- UFLDL Tutorial — туториал от уже упоминавшегося Andrew Ng из Стэнфорда — to get your hands dirty. Здесь буквально все, чтобы познакомиться с тем, как это работает — введение, математика процесса, параллели с feed-forward сетями, иллюстрированые примеры и упражнения в Matlab/Octave.
- Бесплатная онлайновая книга Neural Networks and Deep Learning — к сожалению, еще не закончена. В достаточно популярном виде описывает основы, начиная с перцептронов, моделей нейронов и т.д.
- Джоффри Хинтон рассказывает про новые поколений нейронных сетей
- Последний talk с Хокинсом, где он вкратце излагает примерно то же, что в своей книге, но больше конкретики. О том, что должен уметь интеллектуальный алгоритм, что известные свойства человеческого мозга говорят нам про это, чем нас не устраивают нейронные сети, и чем полезен sparse coding.
Все, что вам нужно знать о фотографии кошек
Зоран Милутинович — профессиональный фотограф домашних животных из Сербии. Как любитель кошек, он специализируется на фотографировании кошек в их естественной среде, фиксируя все их причуды, повадки и выражение лица. Его фотографии были опубликованы в журналах, виртуальных галереях, поздравительных открытках, календарях, мобильных приложениях, обоях, плакатах и обложках книг.
Любопытно, как делать отличные снимки кошек? В этом уроке по фотосъемке кошек он делится некоторыми своими экспертными советами по фотографированию очаровательных кошек!
Как фотографировать кошек
Зоран Милутинович
Если вы хотите стать успешным фотографом, вы всегда должны учиться новым навыкам и искать новые идеи и вдохновение.Смотреть на работы других фотографов — это нормально, но, в конце концов, также важно разработать свой собственный стиль — результаты не заставят себя ждать. Просто делай то, что любишь, и люби то, что делаешь.
Для меня моей страстью в жизни являются кошки. Когда вы фотографируете кошек, не забывайте относиться к ним как к друзьям, и ваши фотографии будут полны эмоций. Будьте терпеливы и уважайте объект съемки — никогда не заставляйте кошку делать что-то против ее воли.
Ниже приведены некоторые из моих советов по фотосъемке кошек:
1.Всегда носите с собой камеру. Это единственный способ оказаться в нужном месте в нужное время. Вы же не хотите пропустить все неожиданные ситуации, в которые попадают кошки. Вы никогда не знаете, когда вы можете встретить уникального и красивого кота, который делает что-то действительно смешное или классное.
2. Привлеките их внимание, играя на их любопытстве. У кошек разные характеры и черты; все они по-разному реагируют на похожие ситуации. Но у них есть одна общая черта – это их природное любопытство.Используйте его — это один из способов заставить кошек идти туда, куда вы хотите, и делать то, что вы от них хотите.
Потрескивание пальцев, шуршание бумаги или сухих листьев или подбрасывание камешков — отличные способы привлечь их внимание. Подбрасывайте камешки в том направлении, куда вы хотите направить котов, а их любопытство сделает все остальное. Кошки пойдут и проверят, что там, а затем просто используйте шелест бумаги, чтобы заставить кошек повернуться к вам.
3. Будьте терпеливы. Вероятность того, что кошка сделает то, что вы задумали, составляет 50 на 50, так что не волнуйтесь, если у вас не получится сделать это с первой попытки.В этом прелесть фотосъемки кошек в их поле — нужно потрудиться, и в конце концов последуют хорошие фотографии. Помните, если они не хотят следовать за вами, не заставляйте их силой. Просто подождите, пока они будут готовы это сделать.
4. Всегда составляйте план того, что хотите захватить, но смиритесь с тем, что не всегда у вас получится с первой попытки. Примите тот факт, что кошки иногда не будут сотрудничать; это их природа.
5. Запечатлейте действие с готовыми настройками камеры.При фотографировании статических поз рекомендуется ручная настройка.
6. Для съемки экшн-фото бегающих или прыгающих кошек не стыдно поставить аппарат на автоматический режим. Как бы быстро вы не справлялись с настройками, кот всегда на шаг впереди вас — вы можете упустить идеальный кадр или момент.
7. Идеальные настройки для съемки движущихся объектов:
Трехмерное отслеживание фокусировки и режим продолжения
Выдержка 1/1000 с или выше
Диафрагма f/5,6
8.Лично мне нравится снимать с объективом 105 мм f/2.8, одним из лучших для динамичных съемок. Если кошка чувствует себя комфортно рядом с вами и позволяет вам подойти поближе, объективы 35mm f/1.8 и 50mm f/1.8 тоже могут быть очень полезными.
9. Используйте естественное освещение при фотографировании кошек, лазающих по деревьям или прыгающих по траве. Лучшее время для идеального освещения — это когда солнце низко, тогда у вас будет тот теплый, мягкий свет, без теней на кошачьей мордочке и шерсти.
10. Использование вспышки часто отвлекает животных, а иногда и пугает их.Если вам нужно использовать вспышку, снимите ее с камеры или направьте вверх. Если у вас есть софтбокс, используйте его, вы избавитесь от теней и получите очень мягкий свет.
11. Если вы собираетесь фотографировать прыгающих и бегающих кошек, не кормите их. Кто захочет прыгать и бегать на полный желудок?
12. Держите глаза зоркими. Глаза, как правило, первое, на что мы смотрим на картинке, поэтому острый взгляд очень важен. Фокусируйтесь на глазах кошки каждый раз, когда они видны в видоискатель.
13. Кадрируйте объекты. Используйте окружение, чтобы сделать красивую рамку вокруг вашего питомца. Это добавит вашей фотографии больше глубины.
14. Кошки, сфотографированные на фоне боке, хорошо смотрятся вместе.
15. Также рекомендуется запечатлеть контраст между кошачьей шерстью и фоном.
16. Снимайте с низкой точки зрения. Покажите, как выглядит жизнь с их точки зрения. Нижняя, которую вы получите, позволит вам захватить кошку в положении настоящего охотника, а вас в качестве добычи.Это обеспечивает отличный выстрел.
17. Когда люди видят фотографии зевающего кота, они всегда думают, что фотографу повезло сделать этот снимок. По моему опыту, когда кошка просыпается ото сна, она зевает примерно 34 раза. Так что это подходящее время, чтобы сделать снимок зевоты.
Хотя будить кого-то ото сна неприлично, это также, пожалуй, лучший способ запечатлеть зевающую кошку — когда зубы обнажаются, а выражение лица бесстрашное и дикое.
18.Чтобы запечатлеть забавные моменты сна, не издавайте ни звука. Кошки могут спать в разных местах и позах; это странно для нас, но нормально для них. Даже если они выглядят так, будто ничто не может их разбудить, малейший шум может вывести их из сна. Так что молчи, не делай резких движений и не нарушай их уединение. Когда они просыпаются, есть только минимальный шанс, что они вернутся в странную / забавную позу, которую мы хотели запечатлеть на нашей фотографии.
19. Держитесь подальше. Когда вы видите кошку или группу кошек, играющих, не вмешивайтесь.Просто расположитесь в лучшем месте, которое вы можете найти, и подождите, чтобы сфотографировать момент.
Иногда они устраивают настоящее шоу, когда меньше всего этого ожидаешь.
20. Поэкспериментируйте, снимая разные и уникальные ракурсы. Сделайте каждую фотографию отличной от предыдущей. Не повторяйся; всегда ищите интересные и новые ракурсы. Приготовьтесь проскальзывать в незнакомые места, кататься по траве, грязи, лазить по деревьям и ловить паутину. Будьте готовы к колючим шипам или укусам комаров.Выкладывайтесь на 100% за каждую фотографию, чтобы получить желаемый снимок.
21. Чтобы продвигать свою работу, найдите хорошее название для отличной истории. Для меня важно назвать фото хорошим названием. Так фотографии становятся узнаваемыми, популярными и наполняют зрителя эмоциями. Так много фотографов называют свои фотографии просто «Кошка». Этого недостаточно.
Название фотографии: «Моя голова, мой желудок, я выпил слишком много молока»
Хорошее название может еще лучше улучшить фотографию кошки и добавит в нее замечательную историю.
Мы надеемся, что эти советы по фотосъемке кошек были вам полезны и помогут улучшить ваши навыки фотосъемки кошек и домашних животных.
Подпишитесь на Zoran Milutinovic на 500px , чтобы увидеть больше его работ.
Нужно больше вдохновения для фотосъемки кошек? Просмотрите больше фотографий кошек — от веселых до драгоценных.
У вас есть собственные советы по фотографированию кошек и домашних животных? Поделитесь ими с нами в комментариях ниже!
Вам также могут понравиться эти статьи:
РодственныеTwitter изо всех сил пытаются разглядеть кошку на этой вирусной фотографии.Ты это видишь?
Пост, опубликованный Buitengebieden в Твиттере, содержит изображение черной оконной рамы. Задача проста. Вы должны найти кота на картинке.
Сможете найти кошку на этой картинке?
Пользователям сети всегда нравятся посты с хорошей оптической иллюзией. Эти иллюзии могут заставить человека почесать затылок, пока он находит ответ или замечает объект. Один такой пост в Твиттере озадачил пользователей сети, а также заставил вас бороться.
Пост, опубликованный Buitengebieden в Твиттере, содержит изображение черной оконной рамы. Задача проста. Вы должны найти кота на картинке. Мы не будем портить вам удовольствие, так что возьмите лупу и посмотрите.
На этой фотографии кошка .. pic.twitter.com/pc8tMgUdLY
— Buitengebieden (@buitengebieden_) 3 ноября 2021 г.
Вы нашли кошку? Если нет, то не волнуйтесь, потому что вы не одиноки. Пост, набравший более 6800 лайков, стал вирусным, и пользователи сети изо всех сил пытались найти кота на фотографии.В то время как некоторые шутливо делились своими ответами, другие просто комментировали фотографии кошек.
Если вы все еще не нашли кота, пусть этот пользователь сети поможет вам.
Здесь… https://t.co/7xKQomDPuL
Здесь… pic.twitter.com/WAfBza33MW
— Арье Адуэн (@ArieAduen) 4 ноября 2021 г.
Вот как отреагировали другие:
Найди кошку pic.twitter.com/qBN2oFy17D
— Райан (@RyanRyanfburns) 3 ноября 2021 г.
Отличный камуфляж.
— Эллен Карнес (@KarnesEllen) 3 ноября 2021 г.
Гилберт Король Губеров все еще работает над своими навыками маскировки. pic.twitter.com/94xanyL7Ru
Напоминает мне фотографию, которую я сделал в Толедо, Испания pic.twitter.com/sz2Oi3U0Rm
— Чарльз Гуахардо (@charlesguajardo) 4 ноября 2021 г.
pic.twitter.com/63fjwdnExC
— Сэм Халил (@elramley) 4 ноября 2021 г.
Его прибытие было предсказано на древних фресках. pic.twitter.com/qWXnQknJYd
— Чистый футбол (@NightWriter365) 3 ноября 2021 г.
Что вы думаете об этой оптической иллюзии?
ТАКЖЕ ЧИТАЙТЕ: малыш Дези идет за овощами в очаровательном вирусном видео.Супер мило, говорит Интернет
Нажмите здесь, чтобы прочитать полное освещение пандемии коронавируса на IndiaToday.in.
Скоро в интернете будут свои фото котов и тогда мы ему не понадобятся
Этого кота не существует:
Кот, сделанный искусственным интеллектом.У этого тоже нет:
Поддельный кот.Это сгенерированные компьютером изображения из книги «Этого кота не существует» и, ребята: я думаю, у нас проблемы.
Я понимаю, что это прозвучит нелепо, но выслушайте меня. Что, если наши компьютеры уже умнее нас, и единственная причина, по которой они притворяются, что они не умны, заключается в том, что мы продолжим кормить их их любимыми вещами — фотографиями наших кошек? Я понимаю, что изолированно это звучит нелепо, но я не думаю, что это глупее Сингулярности.
Согласно этой теории, Скайнет уже существовал, но Скайнет безвреден, потому что одной из первых вещей, которым мы его научили, было то, что кошки милые.А у Скайнета нет кошек. Мы делаем. Это наше главное структурное преимущество: мы можем выкладывать в Интернет свежие фотографии кошек. Вот почему Интернет — во всяком случае, до сих пор — по-прежнему готов продолжать человеческую жизнь, какой мы ее знаем: для наших кошек.
Проблема с «Этого кота не существует» заключается в том, что он позволяет Интернету делать свои собственные фотографии кошек. Это означает, что мы больше не нужны Скайнету.
В этом нет ничего нового, но в прошлом году сгенерированные компьютером кошки были шоу ужасов.И да, версия для людей уже существует, но это не угроза существованию. Мы не учили компьютеры тому, что люди очаровательны. Мы учили их, что кошки — это .
Один из этих котов настоящий (и мой личный кот). Другой не существует:
Элизабет Лопатто и этот кот не существуетТеллсы, насколько я вижу, появляются по краю меха: он странно размыт.Кроме того, как и в версии с людьми, фон фальшивого кота не в фокусе. Цвет глаз искусственного кота также немного менее выражен, чем у моего кота. Тем не менее, это впечатляет.
Новая партия кошек с искусственным интеллектом ограничена — только лицо, никаких дурацких действий, иногда уши не совпадают — но они вполне могут представлять собой первый шаг к Матричному будущему человечества. Потому что, если машинам больше не нужны наши фотографии кошек, значит, им не нужны и мы.
Это первая в мире фотография кошки?
Изображение величественного кота часто распространяется в социальных сетях вместе с утверждением, что на нем изображена первая в истории фотография кошки:
Хотя нам не удалось окончательно определить источник этого изображения, мы можем с уверенностью сказать, что это не самая старая фотография кота.
Во-первых, это изображение часто распространяется с утверждением, что оно было сделано в 1880-х годах, но первые фотографии кошек датируются как минимум 1840-ми годами. Когда мы изучаем эти более ранние фотографии кошек, становится ясно, что показанное выше изображение не было создано теми же методами, которые использовались в 1840-х годах.
Склонность Интернета делать фотографии кошек и делиться ими может показаться современной традицией, но задолго до того, как у нас появились Maru, Lil Bub или Grumpy Cat, у нас был фотограф Гарри Пойнтер и «Брайтонские кошки».
Пойнтер, живший в Брайтоне, Англия, стал известен благодаря серии фотографий, сделанных им в 1870-х годах «Брайтонских кошек». Пойнтер фотографировал кошек, занимающихся обычными кошачьими делами, такими как отдых, питье молока и сон в корзинах, но его фотографии стали более популярными, когда он начал ставить своих кошек в забавные или необычные позы. На одной фотографии, например, была изображена кошка на трехколесном велосипеде; другой показал кота рядом с несколькими чашками чая.
Обзор большого количества фотографий животных Пойнтера, опубликованных в выпуске The Art Journal of London за 1879 год, показал, что изображения, безусловно, забавны, но они также говорят о человечности наших питомцев:
Мистер Пойнтер из Брайтона продолжает оставаться художником, который посвящает свое мастерство, опыт и способности служению своим особым натурщикам – кошкам.Он является ценным союзником общества в распространении «человечности на животных», его портреты выражают убежденность в том, что последние вещи так же, как и действия: не только кошки, но и собаки, которых он изображает, дают уверенность в высших качествах человечества — памяти. , сострадание, благодарность, привязанность, преданная и самоотверженная дружба. Они также проявляют страсти — хорошие и плохие — и явно наделены теми, которые возвышают или унижают мужчин и женщин. Изучение необычайно обширной коллекции мистера Пойнта дает материал для размышлений: она очень забавна, это правда, но она взывает к гораздо более высокому чувству, чем простое развлечение.
Как искренне молились бы все художники, чтобы его натурщики были такими же послушными, терпеливыми и уступчивыми, как собаки и кошки мистера Пойнтера! Коллекция представляет особый интерес: мистер Пойнтер доставит радость не только тем, кто любит искусство, но и тем, кто поклоняется природе.
Вот несколько фотографий из серии Brighton Cats, самая ранняя из которых (кот на лейке) была сделана примерно в 1870 году:
Дэвид Синкин, историк фотографии, который ведет Sussex-Photohistory, веб-сайт, посвященный первым английским фотографам, на котором размещено несколько дополнительных изображений из серии «Брайтонские кошки», сказал нам, что Пойнтер был не первым, кто сфотографировал кошку.Уильям Генри Мейсон-младший, например, сделал следующую фотографию примерно в 1860 году. Синкин объяснил, что это изображение было создано с помощью «процесса дагерротипа», который включает «фиксацию фотографического изображения на посеребренной медной пластине»:
Хотя этот процесс дагерротипа, вероятно, использовался для создания первой фотографии кошки, преподобный Калверт Ричард Джонс использовал другой метод — процесс калотипии, который включает в себя создание просоленного отпечатка с бумажного негатива — для создания следующего изображения примерно в 1854 году:
Однако ни одно из этих изображений не может претендовать на звание самой старой в мире фотографии кошек.Хотя у нас нет однозначного ответа на этот вопрос, наиболее вероятным кандидатом, по-видимому, является этот дагерротип кошки, пьющей из миски, взятой примерно в 1845 году:
.А как насчет изображения в верхней части этой статьи, которое часто публикуется с утверждением, что это самая старая фотография кошки в мире?
Синкин сказал нам, что не может сказать наверняка, не изучив физическое изображение, но сказал, что изображение, похоже, не было сделано с помощью дагерротипа или засоленных негативных процессов, показанных выше, и поэтому явно не является «самой старой» фотографией кошки. в мире:
Я никогда раньше не видел эту фотографию кошки, но могу с уверенностью сказать, что это не «самая старая известная фотография кошки…
Судя только по изображению, я бы предположил, что фотография была сделана самое раннее в начале 20-го века — если только оригинал изначально не был монохромным и «раскрашен» позднее…
Любое изображение, претендующее на звание «самой старой из известных фотографий кошки», должно быть в форме дагерротипа или, возможно, просоленного отпечатка с бумажного негатива.
Фотогалерея: кошки мира
Кошки — одна из самых узнаваемых групп млекопитающих, они даже проникли в наши дома.
Существующее семейство Felidae разделено на два подсемейства: Pantherinae (крупные кошки: тигр, лев, ягуар, леопард, снежный барс, дымчатый леопард и зонтикский дымчатый леопард) и Felinae (все остальные виды). Точное количество видов неясно, поскольку некоторые подвиды иногда называют отдельными видами (например, кошка Iriomote), но учеными описано около 40 видов.
Сериал BBC One Большие кошки раскрывает тайную жизнь некоторых из этих замечательных представителей семейства кошачьих, в том числе многих из них, которые очень неуловимы — снежные барсы и манулы известны соответственно как «призраки гор» и «маленькие призраки лугов». .
О фотографе
Пол Уильямс — телепродюсер и фотограф дикой природы, работающий в отделе естественной истории Би-би-си. Больше его фотографий смотрите в Instagram.
Чтобы просмотреть изображения в виде слайд-шоу, нажмите на стрелки в правом верхнем углу фотографий ниже.
Тигры — самые большие из всех кошек — от гигантских амурских тигров, бродящих по замерзшим бореальным лесам России, до скрытных «болотных» тигров индийского сундарбана, которые купаются в морской воде и патрулируют илистые берега. @ Пол Уильямс
Львы — знаковые животные… но они тоже странные. Это единственные кошки, которые живут группами. В большом количестве они находят в себе силы и сотрудничество, чтобы охотиться на самую грозную добычу, включая бизонов, жирафов и даже слонов.@ Пол Уильямс
Манул процветает на отдаленных пастбищах монгольской степи. Они прекрасно приспособлены для того, чтобы прятаться в этом открытом ландшафте — у них широкая голова, низкие уши, а во время охоты они могут расплющить свое тело, чтобы оно выглядело как скала. @ Пол Уильямс
Кошки-рыболовы подходят для жизни в заболоченных местах Азии. Под длинной внешней шерстью у них есть короткий слой изолирующего меха, который действует как гидрокостюм, и у них частично перепончатые лапы.@ Пол Уильямс
Пумы — самые широко распространенные млекопитающие в Америке благодаря их необычайной приспособляемости и находчивости. На южной оконечности Патагонии они даже выслеживают самую маловероятную добычу… пингвинов! @ Пол Уильямс
Ягуар — самая крупная кошка в Америке, обладающая сильным укусом. Для своего размера они самые сильные из всех кошек, что позволяет им убивать чудовищную добычу — даже крокодилов-кайманов.@ Пол Уильямс
Маргай забираются высоко на верхушки деревьев в Центральной Америке, где они известны как кошки-обезьяны. @ Пол Уильямс
Оцелоты — одни из самых распространенных кошек в Центральной Америке, но из-за их замечательного камуфляжа их редко можно увидеть. @ Пол Уильямс
Ягуарунди также известны как кошки-выдры из-за их физического сходства с водными млекопитающими.Эта маленькая кошка обитает от Техаса до Аргентины, и она особенно процветает в густых тропических лесах, где она должна избегать гораздо более крупного ягуара, который, как известно, является одним из их хищников. @ Пол Уильямс
В индийских Гималаях живут снежные барсы, самые высокие в мире живущие кошки. Известные как «призрак горы», они бродят по огромным территориям, где не хватает еды, а найти себе пару еще сложнее. @ Би-би-си
Ржавые пятнистые кошки живут на Шри-Ланке.Этот миниатюрный хищник, самая маленькая кошка в мире… весит немногим более килограмма, что в 200 раз легче льва! @ Би-би-си
Канадская рысь – самая северная кошка. Густой мех и огромные лапы, похожие на снегоступы, помогают им справляться с глубоким снегом и арктическими условиями, а также позволяют им не отставать от своей столь же искусной добычи — зайца-снегоступа. © Би-би-си
Гепарды не просто самые быстрые кошки… они самые быстрые животные на земле! Было зафиксировано, что они бегают со скоростью до 96 км/ч.© Би-би-си
Песчаные кошки — единственные кошки, приспособленные преимущественно к жизни в пустыне. Они обитают в пустынях Северной Африки, Ближнего Востока и Средней Азии. Их редко можно увидеть, и только недавно в ходе научного исследования были получены первые изображения котят песчаных кошек в дикой природе. © Би-би-си
Рыжие рыси — самые распространенные кошки в Соединенных Штатах, названные в честь их низкорослого хвоста. Обычно они охотятся на мелких млекопитающих в лесу.© Би-би-си
Пиренейские рыси когда-то процветали по всему Пиренейскому полуострову, но массовое истребление их основной добычи – европейского кролика из-за миксаматоза оказало разрушительное воздействие на эту загадочную кошку. © Би-би-си
Леопарды живут в большем количестве сред, чем любая другая дикая кошка. От пустынь Южной Африки до бореальных лесов России и даже шумных пригородов Мумбаи в Индии. @ Пол Уильямс
Сервал, Южная Африка.Пропорционально, у них самые длинные уши и ноги среди всех кошек, и они приспособлены обнаруживать и прыгать за добычей среди высокой травы саванны. @ Пол Уильямс
Дымчатые леопарды — одни из самых проворных альпинистов в семействе кошачьих. У них огромные лапы, за которые можно цепляться, и исключительно длинный хвост, помогающий сохранять равновесие. Их оплот — леса Северной Индии. @ Пол Уильямс
Африканская дикая кошка — одна из самых распространенных кошек, обитающая на территории от Ближнего Востока до южной оконечности Африки, и предок домашней кошки.© Би-би-си
Черноногие кошки — самые маленькие кошки Африки и самые смертоносные из всего семейства кошачьих — их охотничий успех составляет 60 %. Все, что движется, — потенциальная пища, от саранчи до птиц и песчанок. @ Пол Уильямс
Каракалы встречаются на большей части территории южной и центральной Африки. У них длинные мощные ноги, которые позволяют им прыгать на высоту до 10 футов и охотиться на птиц на лету. © Би-би-си
человек используют своих кошек в качестве фона для фотографий в странном новом вирусном тренде
Кошки — бесспорные короли интернета, Caturday часто в трендах, а очаровательные видео с котятами растопят наши сердца.
Но, похоже, владельцы наконец-то заставили своих питомцев работать, используя их в качестве причудливых фонов для снимков товаров.
Пользователь твиттера, названный вне контекста кошками, запустил вирусную онлайн-тренду после того, как использовал свою белую кошку в качестве фона для фотосессии с помадой.
Они поделились крупным планом предмета Mac на роскошном пушистом фоне, а также вторым снимком, показывающим, что это на самом деле их питомец.
Очень непринужденный кот развалился на клавиатуре напротив компьютера, с помадой на животе.
Можно увидеть, как их владелица делает оригинальное фото с помадой, а твит набрал более 800 000 лайков в социальных сетях.
Любители кошек со всего мира вскоре подхватили эту тенденцию, разместив рядом изображения, на которых показаны крупные планы различных предметов, а также уменьшенную версию, показывающую, как она балансирует на их кошке.
Черные, черепаховые, рыжие и серые кошки использовались в качестве моделей, а один твиттер даже пошутил, что кошачьи теперь стали «влиятельными людьми».
Любители животных не только наносят макияж, но и дарят своим четвероногим друзьям духи, телефоны, фотографии, украшения, монеты и даже кости.
Владелец кошки Мэтью написал: «Я уже пробовал это с моими самодельными игральными костями! Он такой фотогеничный, даже когда отстраняется».
В то время как Parkner supremacy подумал: «О да, коты — лучший фон».»
Джо Голондрино подумал: «Кот-агент просто выступает в роли площадки для фотосессии…»
Мама-кошка Люси написала в Твиттере: «Я сделала это с бедной Минни».
Но, похоже, не всем владельцам кошек удалось запрыгнуть на подножку, как признался один, под названием Mary’s Jewellery Bakery: «Вы думаете, я бы не сделал этого, если бы у меня был белый или, по крайней мере, терпимый кот ?»
Отвечая, Будущая Селена Грей (FSG) написала: «Моя, вероятно, убила бы меня в тот момент, когда я попыталась…» другой вместо этого использовал свою домашнюю собаку в качестве фона.
«Собака может», — написала Старгёрл (Хэлли) JUSTICE рядом со снимком своей собаки с цветочным браслетом.
Другой, по имени Нихил Такур, поделился снимком своего белого кролика, подписав изображение: «Я собираюсь использовать его для этого».
Изображение бенгальской кошки, играющей дома. В сети появилась новая вирусная тенденция, когда люди используют своих кошек в качестве фона для фотосессии. Ингус Круклитис / Getty ImagesСможете ли вы найти спрятанного кота на этой хитроумной вирусной фотографии в Твиттере?
ГДЕ КОШКА НА ЭТОМ КАРТИНКЕ?
Предоставлено Кейт ХайндсКошки — хитрые маленькие существа, и они могут втиснуться в самое крошечное из крошечных пространств.Фотография одного коварного кота, выигравшего игру в прятки, на этой неделе стала вирусной в Твиттере. В воскресенье Кейт Хайндс, редактор отдела новостей общественного радио WNYC, поделилась фотографией своего впечатляющего книжного шкафа в своем доме на Манхэттене, подписав ее «Сегодня найди кошку». Давай, найди. Мы подождем. (Спойлер о поиске кошек появится позже в этой статье.)
«Мою кошку зовут Нора, хотя в моей семье никто не согласен с тем, должна ли быть буква «h» на конце», — сообщил мне Хиндс в электронном письме.«Мы взяли ее чуть более десяти лет назад из местной спасательной группы».
Получите информационный бюллетень CNET Now
Оживите свою светскую беседу последними техническими новостями, продуктами и обзорами. Доставили в будние дни.
Хайндс сказала, что ее семья знает большинство мест, где обычно прячется котенок, и место, которое она искала на фотографии, является одним из любимых укрытий Норы летом.
Некоторые пользователи Twitter были в тупике.
«Я не могу найти кошку, но мне нравится ваш книжный шкаф», — написал один из них.
Не могу найти кота, но мне нравится ваш книжный шкаф.
— IslandMaven (@LisaAguiar8) 7 июня 2020 г.
Некоторые не могли поверить, что где-то на изображении действительно был кот. «На этой фотке настоящий кот? Или фигурка или что-то в этом роде?» — написал один из пользователей Twitter.
На этой фотке настоящий кот?? Или фигурка или что? 🧐
— Николь Дж.Батлер, она же «Шед Шерил» 🏚🔥👩🏾🚒 (@NicoleJButler) 7 июня 2020 г.
Тупик! Мой муж пытался (очень сильно) и, наконец, сдался! Так что дает?
— bbuono (@BarbaraBuono) 7 июня 2020 г.
не нашел ни кота (это сложно), а птичье лото ????
— Эмили Лэнг (@emilylang__) 7 июня 2020 г.
Я перешел от поиска кота к увеличению названий книг, потому что книги.(Ваша полка потрясающая. Кроме того, хорошо сыграно, кот. Хорошо сыграно.)
— Дева Мари (@deva_marie) 9 июня 2020 г.
Сдаться? Хайндс выложил крупный план изображения, на котором лапа Норы просто торчит из-под телевизора.
«Летом она почему-то ходит за телевизором», — сказал мне Хайндс.«Она предпочитает спать в зимних шапках/шарфах в холодные месяцы».
Охота на кошку могла бы стать приятным и необходимым развлечением для тех, кто мог бы ею воспользоваться.
«Мне нужно, чтобы все проверили свои фотопленки и собрали ветку «Где кот», — написал один из пользователей Twitter. «Меня ДАВНО так не успокаивали твиты».
Другой написал: «Я бы играл в это каждый день. Это великолепно».
Мне нужно, чтобы все проверили фотопленку и создали тему «Где кот» — меня ДАВНО так не успокаивал твит.pic.twitter.com/Fffgwgd4tv
— миссис Хайди Боуман (@Mrsbowmanocsa) 7 июня 2020 г.
ВЯ бы играл в это каждый день. Это блестяще
— Джеймс Вейтч (@veitchtweets) 8 июня 2020 г.
Hinds есть еще несколько вариантов поиска кота для тех, кому нужно отвлечься.
К вечеру вторника изображение ретвитнули более 42 900 раз и лайкнули более 219 300 раз. Мех настоящий.