Qué es Eigenface
Una eigenface es el nombre que se le da a un conjunto de vectores propios cuando se utiliza en el problema de visión por computadora del reconocimiento de rostros humanos. El enfoque de utilizar caras propias para el reconocimiento fue desarrollado por Sirovich y Kirby y utilizado por Matthew Turk y Alex Pentland en la clasificación de rostros. Los vectores propios se derivan de la matriz de covarianza de la distribución de probabilidad sobre el espacio vectorial de alta dimensión de imágenes de rostros. Las propias caras propias forman un conjunto base de todas las imágenes utilizadas para construir la matriz de covarianza. Esto produce una reducción de dimensiones al permitir que el conjunto más pequeño de imágenes base represente las imágenes de entrenamiento originales. La clasificación se puede lograr comparando cómo se representan las caras mediante el conjunto básico.
Cómo se beneficiará
(I) Información y validaciones sobre lo siguiente temas:
Capítulo 1: Cara propia
Capítulo 2: Análisis de componentes principales
Capítulo 3: Descomposición de valores singulares
Capítulo 4: Valores propios y vectores propios
Capítulo 5: Descomposición propia de una matriz
Capítulo 6: Análisis de componentes principales del kernel
Capítulo 7: Análisis de matrices
Capítulo 8: Sistema dinámico lineal
Capítulo 9: Distribución normal multivariada
Capítulo 10: Modos de variación
(II) Respondiendo las principales preguntas del público sobre la cara propia.
(III) Ejemplos del mundo real para el uso de eigenface en muchos campos.
Para quién es este libro
Profesionales, estudiantes universitarios y estudiantes de posgrado, entusiastas, aficionados y aquellos que quieran ir más allá del conocimiento o la información básicos para cualquier tipo de Eigenface.
Qué es Eigenface
Una eigenface es el nombre que se le da a un conjunto de vectores propios cuando se utiliza en el problema de visión por computadora del reconocimiento de rostros humanos. El enfoque de utilizar caras propias para el reconocimiento fue desarrollado por Sirovich y Kirby y utilizado por Matthew Turk y Alex Pentland en la clasificación de rostros. Los vectores propios se derivan de la matriz de covarianza de la distribución de probabilidad sobre el espacio vectorial de alta dimensión de imágenes de rostros. Las propias caras propias forman un conjunto base de todas las imágenes utilizadas para construir la matriz de covarianza. Esto produce una reducción de dimensiones al permitir que el conjunto más pequeño de imágenes base represente las imágenes de entrenamiento originales. La clasificación se puede lograr comparando cómo se representan las caras mediante el conjunto básico.
Cómo se beneficiará
(I) Información y validaciones sobre lo siguiente temas:
Capítulo 1: Cara propia
Capítulo 2: Análisis de componentes principales
Capítulo 3: Descomposición de valores singulares
Capítulo 4: Valores propios y vectores propios
Capítulo 5: Descomposición propia de una matriz
Capítulo 6: Análisis de componentes principales del kernel
Capítulo 7: Análisis de matrices
Capítulo 8: Sistema dinámico lineal
Capítulo 9: Distribución normal multivariada
Capítulo 10: Modos de variación
(II) Respondiendo las principales preguntas del público sobre la cara propia.
(III) Ejemplos del mundo real para el uso de eigenface en muchos campos.
Para quién es este libro
Profesionales, estudiantes universitarios y estudiantes de posgrado, entusiastas, aficionados y aquellos que quieran ir más allá del conocimiento o la información básicos para cualquier tipo de Eigenface.
Cara Propia: Explorando las profundidades del reconocimiento visual con Eigenface
196
Cara Propia: Explorando las profundidades del reconocimiento visual con Eigenface
196
Product Details
| BN ID: | 2940168100007 |
|---|---|
| Publisher: | Mil Millones De Conocimientos [Spanish] |
| Publication date: | 05/14/2024 |
| Series: | Visión Por Computador [Spanish] , #67 |
| Sold by: | PUBLISHDRIVE KFT |
| Format: | eBook |
| Pages: | 196 |
| File size: | 3 MB |
| Language: | Spanish |