this issue isnot dealt with here.Se

this issue is
not dealt with here.
Selection can therefore be viewed as a process whereby each location is classi-
fied as ‘object’ or ‘background’. By ‘object’ we mean that an object is present at
one of an admissible range of deformations at that location. There are two pitfalls
arising from this point of view that should be avoided.
The first is the notion that one simply needs training samples from the object at
the predetermined range of scales and samples from background images. These are
then processed through some learning algorithm, e.g. tree classifiers, feed forward
neural nets, support vector machines, to produce the classifier. The second is that
this classifier is subsequently implemented at each location. The problem with
this point of view is that it will produce a different global architecture (tree, neural
net, etc.) for each new object that needs to be detected; it will require a large
training set both to represent background images and to ‘learn’ the required range
of scales; it will not directly address the issue of efficiency in computation and
resources required for detection of multiple objects. It should be noted however
that this approach has led to successful computer vision algorithms for specific
objects. For example in the context of face detection see

ผลลัพธ์ (ไทย) 1:

เรื่องนี้เป็นไม่ติดต่อกับที่นี่ดังนั้นสามารถดูตัวเลือกเป็นกระบวนการโดยแต่ละตำแหน่งเป็น classi-ฟองเป็น 'วัตถุ' หรือ 'เบื้องหลัง' 'วัตถุ' เราหมายความ ว่า วัตถุมีอยู่ในหนึ่งของช่วง admissible ของ deformations ที่ตำแหน่งนั้น มีข้อผิดพลาดที่สองเกิดจากแง่มุมนี้ที่ควรหลีกเลี่ยงครั้งแรกเป็นแนวคิดที่หนึ่งก็จำเป็นต้องฝึกอบรมตัวอย่างจากวัตถุที่ช่วงที่กำหนดไว้ของเครื่องชั่งน้ำหนักและตัวอย่างจากรูปพื้นหลัง เหล่านี้เป็นประมวลผลผ่านบางเรียนอัลกอริทึม เช่นแผนภูมิคำนามภาษา ตัวดึงข้อมูลไปข้างหน้าแล้วตาข่ายประสาท สนับสนุนเครื่องแบบเวกเตอร์ การผลิต classifier ที่ ที่สองคือต่อมาดำเนินการ classifier นี้ในแต่ละสถาน ปัญหาของนี้มองได้ว่า จะสร้างสถาปัตยกรรมสากลต่าง ๆ (ต้นไม้ ประสาทสุทธิ ฯลฯ) สำหรับแต่ละวัตถุใหม่ที่จำเป็นต้องตรวจสอบ มันจะต้องมีขนาดใหญ่ชุดฝึกอบรมทั้ง การแสดงภาพพื้นหลัง และ 'เรียนรู้ ' ช่วงที่ต้องของเครื่องชั่งน้ำหนัก มันจะไม่ตรงปัญหามีประสิทธิภาพในการคำนวณ และทรัพยากรที่จำเป็นสำหรับตรวจจับวัตถุ ควรสังเกตอย่างไรก็ตามว่า มีนำวิธีการนี้ให้วิสัยทัศน์สำเร็จคอมพิวเตอร์อัลกอริทึมสำหรับเฉพาะวัตถุ ดูตัวอย่างในบริบทของการตรวจจับใบหน้า

ผลลัพธ์ (ไทย) 2:

ปัญหานี้ไม่ได้เกี่ยวข้องกับการที่นี่.
เลือกจึงสามารถมองว่าเป็นกระบวนการที่แต่ละสถานที่เป็น classi-
กระแสไฟเป็น 'วัตถุ' หรือ 'พื้นหลัง' โดย 'วัตถุ'
เราหมายความว่าวัตถุที่เป็นปัจจุบันที่หนึ่งในช่วงที่ยอมรับของรูปร่างที่ตำแหน่งนั้น
มีสองข้อผิดพลาดที่มีเกิดขึ้นจากมุมมองนี้ที่ควรหลีกเลี่ยง. ที่แรกก็คือความคิดที่ว่าหนึ่งก็ต้องตัวอย่างการฝึกอบรมจากวัตถุที่ช่วงที่กำหนดไว้ของเครื่องชั่งและตัวอย่างจากภาพพื้นหลัง เหล่านี้จะถูกประมวลผลแล้วผ่านขั้นตอนวิธีการเรียนรู้บางลักษณนามเช่นต้นไม้ข้างหน้าฟีดประสาท, เครื่องเวกเตอร์การสนับสนุนในการผลิตลักษณนาม ที่สองก็คือลักษณนามนี้จะดำเนินการต่อมาในแต่ละสถานที่ ปัญหาที่เกิดขึ้นกับมุมมองนี้ก็คือว่ามันจะผลิตที่แตกต่างกันสถาปัตยกรรมทั่วโลก(ต้นไม้ประสาทสุทธิฯลฯ ) สำหรับแต่ละวัตถุใหม่ที่จะต้องมีการตรวจพบ มันจะต้องมีขนาดใหญ่การฝึกอบรมทั้งการตั้งค่าให้เป็นตัวแทนของภาพพื้นหลังและ 'เรียนรู้' ในช่วงที่จำเป็นของเครื่องชั่ง; มันจะไม่โดยตรงแก้ไขปัญหาของการที่มีประสิทธิภาพในการคำนวณและทรัพยากรที่จำเป็นในการตรวจหาวัตถุหลาย มันควรจะสังเกตอย่างไรว่าวิธีการนี้ได้นำไปสู่ขั้นตอนวิธีการที่ประสบความสำเร็จสำหรับคอมพิวเตอร์วิสัยทัศน์เฉพาะวัตถุ ยกตัวอย่างเช่นในบริบทของการตรวจจับใบหน้าที่เห็น

ผลลัพธ์ (ไทย) 3:

ปัญหานี้จะไม่แจกด้วย

เลือกที่นี่ จึงถูกมองว่าเป็นขั้นตอน ซึ่งแต่ละสถานที่ classi -
fied เป็น ' วัตถุ ' หรือ ' พื้นหลัง ' โดย ' วัตถุ ' เราหมายถึงวัตถุที่เป็นปัจจุบันหนึ่งในช่วงที่ยอมรับได้ของ
รูปที่สถานที่ที่ มีสองข้อผิดพลาดที่เกิดจากมุมมองนี้

ที่ควรหลีกเลี่ยงอย่างแรกคือความคิดที่เป็นเพียงความต้องการการฝึกอบรมตัวอย่างจากวัตถุที่กำหนดไว้ล่วงหน้า
ช่วงของเครื่องชั่งและตัวอย่างจากภาพพื้นหลัง เหล่านี้จะถูกประมวลผลผ่านอัลกอริทึมการเรียนรู้
แล้วบางส่วน เช่น ตามต้นไม้ ดึงไปข้างหน้า
ตาข่ายประสาทเครื่องเวกเตอร์สนับสนุน ผลิต ลักษณนาม สองคือ ว่า นี้คือใช้ลักษณนาม
ต่อมาที่แต่ละสถานที่ปัญหากับ
มุมมองนี้ก็คือว่ามันจะผลิตที่แตกต่างกันสถาปัตยกรรมระดับโลก ( ต้นไม้ , ประสาท
สุทธิ , ฯลฯ ) สำหรับแต่ละวัตถุใหม่ที่ต้องตรวจ จะต้องฝึกขนาดใหญ่
ชุดทั้งเพื่อแสดงภาพพื้นหลังและ ' เรียนรู้ ' ต้องช่วง
ของระดับ มัน จะ ไม่ โดยตรงในเรื่องของประสิทธิภาพในการคำนวณและ
ทรัพยากรที่จำเป็นสำหรับการตรวจหาวัตถุหลาย มันควรจะสังเกตอย่างไร
วิธีการนี้ได้นำไปสู่ขั้นตอนวิธีคอมพิวเตอร์วิสัยทัศน์ความสำเร็จสำหรับวัตถุที่เฉพาะเจาะจง

ตัวอย่างเช่น ในบริบทของการตรวจหาใบหน้าดู