for 3D objects it is extremely expe

for 3D objects it is extremely expensive to exhaustively consider all possible candidates. Under a uniform sampling scheme over the whole parameter space, the number of tested candidates exponentially increases with the dimensionality of the parameter space. In our fetal face detection system, we used a marginal space learning framework proposed by Zheng, et al [16], which basically learns the location parameters in a sequential way on projected sampling sub-spaces. A classifier is trained for each projected space using the probabilistic boosting-tree (PBT) [11].

ผลลัพธ์ (ไทย) 1:

สำหรับวัตถุ 3 มิติจะมีราคาแพงมากที่จะพิจารณาอย่างละเอียดถี่ถ้วนผู้สมัครที่เป็นไปได้ทั้งหมด ภายใต้โครงการตัวอย่างสม่ำเสมอทั่วพื้นที่พารามิเตอร์ทั้งจำนวนของผู้สมัครที่ผ่านการทดสอบชี้แจงเพิ่มมิติของพื้นที่พารามิเตอร์ ในระบบตรวจจับใบหน้าของทารกในครรภ์ของเราเราใช้พื้นที่ชายขอบกรอบการเรียนรู้ที่เสนอโดยเจิ้งเหอ, et al, [16],ซึ่งโดยทั่วไปจะรู้พารามิเตอร์สถานที่ในลักษณะต่อเนื่องเมื่อสุ่มตัวอย่างคาดย่อยช่องว่าง ลักษณนามคือการฝึกอบรมสำหรับพื้นที่ที่คาดการณ์ไว้ในแต่ละการใช้ความน่าจะเป็นการส่งเสริมต้นไม้ (PBT) [11]

ผลลัพธ์ (ไทย) 2:

สำหรับวัตถุ 3D มันมีราคาแพงมากลมพิจารณาผู้สมัครที่เป็นไปได้ทั้งหมด ภายใต้แผนการสุ่มตัวอย่างเครื่องแบบเหนือพื้นที่ทั้งหมดพารามิเตอร์ หมายเลขผู้สมัครทดสอบสร้างเพิ่ม ด้วย dimensionality พื้นที่พารามิเตอร์ ระบบของเราตรวจครรภ์หน้า เราใช้ช่องว่างกำไรเรียนกรอบที่เสนอ โดยเจิ้ง et al [16], ซึ่งโดยทั่วไปทราบพารามิเตอร์ที่ตั้งในลักษณะลำดับบนสุ่มคาด sub-spaces Classifier การคือการฝึกอบรมในแต่ละพื้นที่คาดการณ์ใช้ probabilistic ส่งเสริมทรี (PBT) [11]

ผลลัพธ์ (ไทย) 3:

สำหรับวัตถุ 3 D เป็นอย่างมากซึ่งมีราคาแพงในการพิจารณาให้ผู้สมัครรับเลือกตั้งทั้งหมดที่เป็นไปได้หมดจด ภายใต้ โครงสร้างการสุ่มตัวอย่างเครื่องแบบที่มากกว่าพื้นที่พารามิเตอร์ทั้งหมดที่หมายเลขของผู้สมัครรับเลือกตั้งที่ได้รับการทดสอบแล้วอย่างรวดเร็วซึ่งจะเพิ่มขึ้นในสวนกันกับ"ความมีมิติเดียวของพื้นที่พารามิเตอร์ ในระบบการตรวจจับใบหน้าเฝ้าระวังและติดตามสัญญาณชีพทารกของเราเราจะใช้กรอบงานการเรียนรู้พื้นที่ริมที่เสนอโดยตั้งคำถามว่า Zheng et al [ 16 ]ซึ่งโดยพื้นฐานแล้วได้เรียนรู้ถึงพารามิเตอร์ที่ตั้งในแบบเรียงตามลำดับให้คาดว่าการสุ่มตัวอย่างในคณะอนุกรรมการ - เว้นวรรค ข้าวที่ได้รับการฝึกอบรมสำหรับพื้นที่คาดว่าแต่ละครั้งใช้ probabilistic เพิ่ม - ทรี( PBT )[ 11 ]