trained a 2-layers fully-connected

trained a 2-layers fully-connected neural network and achieved 91.90% accuracy on a tiny test set of 90 images. The benchmark dataset of frontal faces in a controlled environment is FERET [20]. With the emergence of SVM, Moghaddam and Yang [18] used this classifier with an RBF kernel on raw pixels and obtained 96.62% accuracy on FERET (though having the same persons presented both in training and test sets). Rather than using SVM, Baluja and Rowley [2] used AdaBoost on raw pixels and obtained 96.40% on FERET without mixing people in training and test sets. Li et al. [15] combined facial information with clothing and hair components obtaining 95.10% accuracy on the FERET dataset. Ullah et al. [29] used the Webers Local texture Descriptor to reach almost perfect performance of 99.08% on FERET. This result suggests that the FERET benchmark is saturated and not enough challenging for modern methods.

ผลลัพธ์ (ไทย) 1:

อบรมเครือข่ายประสาทเชื่อมโยงเต็ม 2 ชั้นและ 91.90% ความแม่นยำที่ทำได้บนชุดทดสอบเล็ก ๆ ของภาพ 90 ชุดข้อมูลมาตรฐานของใบหน้าหน้าผากในสภาพแวดล้อมการควบคุมเป็น FERET [20] กับการเกิดขึ้นของ SVM, Moghaddam และยาง [18] ใช้ classifier นี้ kernel RBF ที่เกี่ยวกับพิกดิบ และรับ 96.62% ความถูกต้องใน FERET (แต่มีคนเดียวนำเสนอทั้งในชุดฝึกอบรมและการทดสอบ) แทนที่จะใช้ SVM, Baluja และมี่โรว์เลย์ [2] ใช้ AdaBoost บนพิกดิบ และรับ 96.40% ใน FERET โดยการผสมในชุดฝึกอบรมและทดสอบ Li et al. [15] รวมข้อมูลใบหน้าเสื้อผ้าและส่วนประกอบผมรับ 95.10% ความถูกต้องบนชุดข้อมูล FERET Ullah et al. [29] ใช้เนื้อ Webers ท้องถิ่นอธิบายถึงประสิทธิภาพเกือบสมบูรณ์แบบของ 99.08% บน FERET ผลลัพธ์นี้แนะนำมาตรฐาน FERET อิ่มตัว และไม่พอที่จะท้าทายสำหรับวิธีที่ทันสมัย

ผลลัพธ์ (ไทย) 2:

ผ่านการฝึกอบรม 2 ชั้นอย่างเต็มที่ที่เชื่อมต่อเครือข่ายประสาทและประสบความสำเร็จในความถูกต้อง 91.90% ในการทดสอบเล็ก ๆ ชุดของ 90 ภาพ ชุดข้อมูลมาตรฐานของใบหน้าหน้าผากในสภาพแวดล้อมการควบคุมเป็น FERET [20] กับการเกิดของ SVM ที่ Moghaddam และหยาง [18] ใช้ลักษณนามนี้กับเคอร์เนล RBF ในพิกเซลดิบและได้รับความถูกต้อง 96.62% เมื่อ FERET (แต่มีคนเดียวที่นำเสนอทั้งในการฝึกอบรมและการทดสอบชุด) แทนที่จะใช้ SVM, Baluja และลีย์ [2] ใช้ AdaBoost ในพิกเซลดิบและได้รับ 96.40% เมื่อ FERET คนไม่ต้องผสมในการฝึกอบรมและชุดทดสอบ Li et al, [15] รวมข้อมูลใบหน้าที่มีส่วนประกอบของเสื้อผ้าและผมได้รับความถูกต้อง 95.10% ในชุดข้อมูลที่ FERET Ullah et al, [29] ใช้ Webers อธิบายเนื้อท้องถิ่นไปถึงประสิทธิภาพที่สมบูรณ์แบบเกือบ 99.08% เมื่อ FERET ผลที่ได้นี้แสดงให้เห็นว่ามาตรฐาน FERET จะอิ่มตัวและไม่เพียงพอที่ท้าทายสำหรับวิธีการที่ทันสมัย

ผลลัพธ์ (ไทย) 3:

ฝึก 2-layers เต็มเชื่อมต่อโครงข่ายประสาทเทียมและประสบความ 91.90 เปอร์เซ็นต์เล็ก ๆของการทดสอบชุด 90 ภาพ มาตรฐานข้อมูลหน้าหน้าผากในสภาพแวดล้อมที่ควบคุม คือ feret [ 20 ] กับการเกิดขึ้นของ SVM Moghaddam และหยาง , [ 18 ] ใช้ลักษณนามกับเมล็ดในดิบ และสำเร็จรูปพิกเซลได้ 96 .62 % ความถูกต้องบน feret ( แม้ว่ามีบุคคลเดียวกันที่นำเสนอทั้งในการฝึกอบรมและชุดทดสอบ ) แทนที่จะใช้ SVM baluja Rowley , และ [ 2 ] ที่ใช้ adaboost ในพิกเซลดิบและได้รับ 96.40 % โดยไม่ต้องผสม feret คนฝึกและชุดทดสอบ Li et al . [ 15 ] รวมข้อมูลหน้าด้วยเสื้อผ้าผมและส่วนประกอบได้รับความถูกต้อง 95.10 ใน DataSet feret . ullah et al .[ 29 ] ใช้ Webers ท้องถิ่นเนื้อหัวเรื่องไปถึงงานเกือบสมบูรณ์แบบของ 99.08 % feret . ผลที่ได้นี้แสดงให้เห็นว่า feret มาตรฐานจะอิ่มตัวและไม่เพียงพอ วิธีการที่ทันสมัย