The sophistication of real-world co

The sophistication of real-world commercial systems should not be underestimated.
Many companies have developed innovative methods of face detection and
registration. More importantly for this paper, they have enhanced their matching
techniques, for example by pre-processing images, selecting and in some cases generating
training data, generating spatially localized features, and optimizing classifiers
for compressed subspaces. Sometimes the data being compressed are not face
images at all, but differences of face images [33], Gabor jets [12], or other high-dimensional
data computed from face images. Face recognition systems also employ
a variety of techniques for selecting subspaces. As a result, it can be difficult to assign
credit (or blame) to a particular component of a face recognition system, even when
the details are not proprietary. The purpose of this paper is to compare the performance
of two subspace projection techniques on face recognition tasks in the context
of a simple baseline system. In particular, we compare principal component analysis
(PCA) to independent component analysis (ICA), as implemented by the InfoMax
[8] and FastICA [21] algorithms.

ผลลัพธ์ (ไทย) 2:

ความซับซ้อนของระบบการค้าโลกแห่งความจริงไม่ควรมองข้าม.
หลาย บริษัท
ได้มีการพัฒนาวิธีการใหม่ของการตรวจจับใบหน้าและการลงทะเบียน ที่สำคัญสำหรับกระดาษนี้พวกเขามีการปรับปรุงการจับคู่ของพวกเขาเทคนิคเช่นโดยการประมวลผลภาพก่อนการเลือกและในบางกรณีการสร้างข้อมูลการฝึกอบรมการสร้างคุณลักษณะการแปลสันนิฐานและเพิ่มประสิทธิภาพการจําแนกสำหรับsubspaces บีบอัด บางครั้งข้อมูลที่ถูกบีบอัดจะไม่ต้องเผชิญกับภาพที่ทุกคน แต่ความแตกต่างของภาพใบหน้า [33], เจ็ตส์บอร์ [12] หรือสูงมิติอื่น ๆ ข้อมูลที่คำนวณได้จากภาพใบหน้า ระบบการจดจำใบหน้ายังจ้างหลากหลายของเทคนิคในการเลือก subspaces เป็นผลให้มันอาจเป็นเรื่องยากที่จะกำหนดให้เครดิต (หรือตำหนิ) ไปยังส่วนหนึ่งของระบบการจดจำใบหน้าแม้ในขณะที่รายละเอียดไม่ได้เป็นกรรมสิทธิ์ วัตถุประสงค์ของการวิจัยนี้คือการเปรียบเทียบผลการดำเนินงานของทั้งสองเทคนิคการฉายสเปซในงานจดจำใบหน้าในบริบทของระบบพื้นฐานที่เรียบง่าย โดยเฉพาะอย่างยิ่งเราเปรียบเทียบการวิเคราะห์องค์ประกอบหลัก(PCA) เพื่อวิเคราะห์องค์ประกอบอิสระ (ICA) เช่นดำเนินการโดย INFOMAX [8] และ FastICA [21] อัลกอริทึม

ผลลัพธ์ (ไทย) 3:

ความซับซ้อนของระบบการค้าโลกไม่ควร underestimated
หลาย บริษัท ได้พัฒนาวิธีการใหม่ของการตรวจหาใบหน้าและ
ลงทะเบียน ที่สำคัญสำหรับบทความนี้ พวกเขาได้ปรับปรุงเทคนิคของพวกเขาที่ตรงกัน
, ตัวอย่างเช่นโดยการประมวลผลรูปภาพ การเลือก และในบางกรณีการสร้าง
ข้อมูลการฝึกอบรม สร้างความแตกต่าง เป็น คุณสมบัติและการเพิ่มประสิทธิภาพคำ
สำหรับ subspaces บีบอัด บางครั้งข้อมูลที่ถูกบีบอัดไม่ได้หน้า
ภาพเลย แต่ความแตกต่างของภาพใบหน้า [ 33 ] , กาบอร์ เจ็ตส์ [ 12 ] , หรืออื่น ๆ - สูงขนาด
ข้อมูลคำนวณจากหน้าภาพ ระบบรู้จำใบหน้ายังจ้าง
ความหลากหลายของเทคนิคสำหรับการเลือก subspaces . เป็นผลให้มันสามารถยากที่จะกำหนด
เครดิต ( หรือโทษ ) ส่วนประกอบใดของระบบรู้จำใบหน้า แม้เมื่อ
รายละเอียดไม่ได้เป็นเจ้าของ การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพ
2 ได้ฉายเทคนิคในงานจดจำใบหน้าในบริบท
ระบบพื้นฐานที่เรียบง่าย โดยเฉพาะ เราเปรียบเทียบการวิเคราะห์องค์ประกอบหลัก ( PCA )
วิเคราะห์องค์ประกอบอิสระ ( ICA )ที่ดำเนินการโดย INFOMAX
[ 8 ] และ fastica [ 21 ] อัลกอริทึม