Qu'est-ce qu'une face propre
Une face propre est le nom donné à un ensemble de vecteurs propres lorsqu'il est utilisé dans le problème de vision par ordinateur de la reconnaissance des visages humains. L'approche consistant à utiliser les visages propres pour la reconnaissance a été développée par Sirovich et Kirby et utilisée par Matthew Turk et Alex Pentland dans la classification des visages. Les vecteurs propres sont dérivés de la matrice de covariance de la distribution de probabilité sur l'espace vectoriel de grande dimension des images de visage. Les faces propres elles-mêmes forment un ensemble de base de toutes les images utilisées pour construire la matrice de covariance. Cela produit une réduction de dimension en permettant au plus petit ensemble d'images de base de représenter les images d'entraînement d'origine. La classification peut être obtenue en comparant la façon dont les visages sont représentés par l'ensemble de base.
Comment vous en bénéficierez
(I) Informations et validations sur les éléments suivants sujets :
Chapitre 1 : Face propre
Chapitre 2 : Analyse en composantes principales
Chapitre 3 : Décomposition en valeurs singulières
Chapitre 4 : Valeurs propres et vecteurs propres
Chapitre 5 : Décomposition propre d'une matrice
Chapitre 6 : Analyse en composantes principales du noyau
Chapitre 7 : Analyse matricielle
Chapitre 8 : Système dynamique linéaire
Chapitre 9 : Distribution normale multivariée
Chapitre 10 : Modes de variation
(II) Répondre aux principales questions du public sur la face propre.
(III) Exemples concrets d'utilisation de la face propre dans de nombreux domaines.
À qui s'adresse ce livre
Professionnels, étudiants de premier cycle et les étudiants diplômés, les passionnés, les amateurs et ceux qui souhaitent aller au-delà des connaissances ou des informations de base pour tout type d'Eigenface.
Qu'est-ce qu'une face propre
Une face propre est le nom donné à un ensemble de vecteurs propres lorsqu'il est utilisé dans le problème de vision par ordinateur de la reconnaissance des visages humains. L'approche consistant à utiliser les visages propres pour la reconnaissance a été développée par Sirovich et Kirby et utilisée par Matthew Turk et Alex Pentland dans la classification des visages. Les vecteurs propres sont dérivés de la matrice de covariance de la distribution de probabilité sur l'espace vectoriel de grande dimension des images de visage. Les faces propres elles-mêmes forment un ensemble de base de toutes les images utilisées pour construire la matrice de covariance. Cela produit une réduction de dimension en permettant au plus petit ensemble d'images de base de représenter les images d'entraînement d'origine. La classification peut être obtenue en comparant la façon dont les visages sont représentés par l'ensemble de base.
Comment vous en bénéficierez
(I) Informations et validations sur les éléments suivants sujets :
Chapitre 1 : Face propre
Chapitre 2 : Analyse en composantes principales
Chapitre 3 : Décomposition en valeurs singulières
Chapitre 4 : Valeurs propres et vecteurs propres
Chapitre 5 : Décomposition propre d'une matrice
Chapitre 6 : Analyse en composantes principales du noyau
Chapitre 7 : Analyse matricielle
Chapitre 8 : Système dynamique linéaire
Chapitre 9 : Distribution normale multivariée
Chapitre 10 : Modes de variation
(II) Répondre aux principales questions du public sur la face propre.
(III) Exemples concrets d'utilisation de la face propre dans de nombreux domaines.
À qui s'adresse ce livre
Professionnels, étudiants de premier cycle et les étudiants diplômés, les passionnés, les amateurs et ceux qui souhaitent aller au-delà des connaissances ou des informations de base pour tout type d'Eigenface.
Visage propre: Explorer les profondeurs de la reconnaissance visuelle avec Eigenface
196
Visage propre: Explorer les profondeurs de la reconnaissance visuelle avec Eigenface
196
Product Details
| BN ID: | 2940168099998 |
|---|---|
| Publisher: | Un Milliard De Personnes Informées [French] |
| Publication date: | 05/14/2024 |
| Series: | Vision Par Ordinateur [French] , #67 |
| Sold by: | PUBLISHDRIVE KFT |
| Format: | eBook |
| Pages: | 196 |
| File size: | 3 MB |
| Language: | French |