In simple terms, the basic principl

In simple terms, the basic principle of Eigenfaces is that it will calculate a set of special images (eigenfaces) and blending ratios (eigenvalues), which when combined in different ways can generate each of the images in the training set but can also be used to differentiate the many face images in the training set from each other. For example, if some of the faces in the training set had a moustache and some did not, then there would be at least one eigenface that shows a moustache, and so the training faces with a moustache would have a high blending ratio for that eigenface to show that it has a moustache, and the faces without a moustache would have a low blending ratio for that eigenvector. If the training set had 5 people with 20 faces
for each person, then there would be 100 eigenfaces and eigenvalues to differentiate the 100 total faces in the training set, and in fact these would be sorted so the first few eigenfaces and eigenvalues would be the most critical differentiators, and the last few eigenfaces and eigenvalues would just be random pixel noises that don't actually help to differentiate the data. So it is common practice to discard some of the last eigenfaces and just keep the first 50 or so eigenfaces.

ผลลัพธ์ (ไทย) 1:

ในคำง่าย หลักการพื้นฐานของ Eigenfaces คือ มันจะคำนวณภาพพิเศษ (eigenfaces) และอัตราส่วนผสม (เวกเตอร์), ซึ่งเมื่อรวม วิธีการต่าง ๆ สามารถสร้างแต่ละภาพในชุดฝึกอบรม แต่ยังสามารถใช้เพื่อแยกความแตกต่างของภาพใบหน้ามากในการฝึกจากกัน ตัวอย่าง ถ้าบางส่วนของใบหน้าในชุดฝึกอบรมมีการ moustache และบางไม่ แล้วจะมี eigenface น้อยที่แสดงเป็น moustache และเพื่อการฝึกเผชิญกับ moustache จะมีอัตราส่วนผสมสูงสำหรับ eigenface ที่แสดงว่า มีการ moustache มีหน้าไม่มี moustache ต่ำผสมอัตราส่วน eigenvector ที่ ถ้าชุดฝึกอบรมมี 5 คน ด้วยใบหน้า 20
สำหรับแต่ละบุคคล แล้วจะมี eigenfaces 100 และเวกเตอร์การแยกแยะใบหน้าทั้งหมด 100 ชุดฝึกอบรม และในความเป็นจริงเหล่านี้จะเรียงลำดับแรกไม่กี่ eigenfaces และเวกเตอร์จะอยู่ differentiators สำคัญที่สุด และสุดท้ายไม่กี่ eigenfaces และเวกเตอร์เพียงจะเซลสุ่มเสียงที่ไม่จริงช่วยแยกความแตกต่างของข้อมูล ดังนั้น จึงปฏิบัติทั่วไป การละทิ้งของ eigenfaces สุดท้ายเพียงเก็บ eigenfaces 50 ก่อน หรือให้

ผลลัพธ์ (ไทย) 2:

กล่าวง่ายๆหลักการพื้นฐานของ eigenfaces คือมันจะคำนวณชุดของภาพพิเศษ (eigenfaces) และอัตราส่วนการผสม (ค่าลักษณะเฉพาะ) ซึ่งเมื่อรวมกันในรูปแบบที่แตกต่างกันสามารถสร้างแต่ละภาพในการฝึกอบรมที่กำหนดไว้ แต่ยังสามารถนำมาใช้ ความแตกต่างของภาพใบหน้าที่หลายคนในชุดการฝึกอบรมจากกันและกัน ตัวอย่างเช่นถ้าบางส่วนของใบหน้าที่อยู่ในชุดฝึกอบรมมีหนวดและบางส่วนไม่ได้แล้วจะมีอย่างน้อยหนึ่ง eigenface ที่แสดงให้เห็นหนวดและเพื่อให้การฝึกอบรมที่ใบหน้ามีหนวดจะมีอัตราส่วนการผสมสูงสำหรับ eigenface ที่ แสดงให้เห็นว่ามันมีหนวดและใบหน้าโดยไม่ต้องหนวดจะมีอัตราส่วนการผสมต่ำสำหรับวิคเตอร์ว่า หากชุดการฝึกอบรมมี 5 คนที่มี 20 ใบหน้า
ของแต่ละคนแล้วจะมี 100 eigenfaces และลักษณะเฉพาะที่แตกต่าง 100 ใบหน้ารวมอยู่ในชุดฝึกอบรมและในความเป็นจริงเหล่านี้จะถูกจัดเรียงเพื่อให้ eigenfaces ไม่กี่ครั้งแรกและจะเป็นลักษณะเฉพาะ ความแตกต่างที่สำคัญที่สุดและ eigenfaces ไม่กี่ที่ผ่านมาและลักษณะเฉพาะเพียงแค่จะเป็นเสียงพิกเซลแบบสุ่มที่ไม่จริงช่วยในการแยกความแตกต่างของข้อมูล ดังนั้นมันจึงเป็นเรื่องธรรมดาที่จะทิ้งบางส่วนของ eigenfaces ที่ผ่านมาและเพียงแค่ให้ครั้งแรก 50 หรือดังนั้น eigenfaces

ผลลัพธ์ (ไทย) 3:

ในแง่ง่าย หลักการพื้นฐานของ eigenfaces มันจะคำนวณชุดของภาพพิเศษ ( eigenfaces ) และอัตราส่วนผสม ( แบบ ) ซึ่งเมื่อรวมในวิธีที่แตกต่างกันสามารถสร้างแต่ละภาพในชุดฝึก แต่ยังสามารถใช้ในการแยกภาพหลายหน้าในชุดฝึกจากแต่ละอื่น ๆ ตัวอย่างเช่นถ้าบางส่วนของใบหน้าในชุดฝึกอบรมมีหนวดและบางคนไม่ แล้วจะมีอย่างน้อยหนึ่ง eigenface แสดงว่าหนวด และดังนั้น การฝึกที่ใบหน้ามีหนวดจะได้อัตราส่วนผสมสูงที่ eigenface เพื่อแสดงให้เห็นว่ามันมีหนวด และใบหน้าไม่มีหนวดมี อัตราส่วนการผสมต่ำสำหรับเวกเตอร์ลักษณะเฉพาะ .ถ้าชุดฝึกอบรมมี 5 คน มี 20 หน้า
สำหรับแต่ละคน ก็ 100 eigenfaces แบบแยกและรวม 100 หน้าในชุดฝึกอบรม และในความเป็นจริงเหล่านี้จะถูกจัดเรียงเพื่อให้ไม่กี่ครั้งแรก และค่า eigenfaces จะ Differentiators สําคัญมากที่สุดและสองสาม eigenfaces แบบสุ่มพิกเซลและเพิ่งจะเป็นเสียงที่ไม่ช่วยจริง ๆ แยกแยะข้อมูล มันเป็นเรื่องธรรมดาที่จะยกเลิกบางส่วนของ eigenfaces สุดท้ายแค่ 50 หรือดังนั้น eigenfaces ก่อน