One recently developed model for pa

One recently developed model for pattern recognition is the structural hidden Markov models (SHMMs) [15,16]. To avoid the complexity problem inherent to the determination of the higher level states, the SHMMs provide a way to explicitly control them via an unsupervised clustering process. This capability is offered through an equivalence relation built in the visible observation sequence space. This approach also allows the user to weight substantially the local structures within a pattern that are difficult to disguise. This provides a SHMM recognizer with a higher degree of robustness. Therefore, the SHMM is well suited to simultaneously model the within and between structures information of any sequential pattern (such as a face or a fingerprint). Indeed, the concept of SHMMs have been shown to outperform HMMs in a number of applications including handwriting recognition [15], but have yet to be applied to face recognition.

ผลลัพธ์ (ไทย) 1:

หนึ่งรูปแบบที่สุดสำหรับการรู้จำรูปแบบเป็นโครงสร้างซ่อน Markov รูปแบบ (SHMMs) [15,16] เพื่อหลีกเลี่ยงความซับซ้อน ปัญหาโดยธรรมชาติเพื่อกำหนดระดับสูงรัฐ SHMMs ให้วิธีการอย่างชัดเจนควบคุมผ่านกระบวนการระบบคลัสเตอร์ unsupervised ความสามารถนี้จะเสนอผ่านความสัมพันธ์เทียบเท่าในพื้นที่ลำดับสังเกตเห็น นอกจากนี้วิธีนี้ยังอนุญาตให้ผู้ใช้น้ำหนักโครงสร้างท้องถิ่นในรูปแบบที่ difficult ถูกมาก ให้รู้ SHMM มีเสถียรภาพในระดับที่สูงขึ้น ดังนั้น SHMM เหมาะกันแบบภายใน และ ระหว่างข้อมูลโครงสร้างของรูปแบบใด ๆ ตามลำดับ (เช่นใบหน้าหรือการ fingerprint) จริง แนวคิดของ SHMMs ได้ถูกแสดง outperform HMMs ในโปรแกรมประยุกต์รวมถึงการรู้จำลายมือ [15], แต่ยังไม่ได้ใช้การรู้จำใบหน้า

ผลลัพธ์ (ไทย) 2:

รุ่นหนึ่งเมื่อเร็ว ๆ นี้ได้รับการพัฒนาสำหรับการรับรู้รูปแบบคือรูปแบบโครงสร้างที่ซ่อนมาร์คอฟ (SHMMs) [15,16] เพื่อหลีกเลี่ยงปัญหาความซับซ้อนโดยธรรมชาติเพื่อความมุ่งมั่นของรัฐที่สูงขึ้นระดับ SHMMs ให้วิธีการควบคุมอย่างชัดเจนพวกเขาผ่านทางกระบวนการการจัดกลุ่มใกล้ชิด ความสามารถนี้จะถูกนำเสนอผ่านเท่าเทียมกันความสัมพันธ์ที่สร้างขึ้นในพื้นที่ลำดับสังเกตมองเห็น วิธีนี้ยังช่วยให้ผู้ใช้น้ำหนักอย่างมีนัยสำคัญโครงสร้างภายในท้องถิ่นรูปแบบที่ dif ลัทธิสายที่จะปกปิด นี้จะให้จำแนก SHMM ที่มีระดับที่สูงขึ้นของความทนทาน ดังนั้น SHMM เหม​​าะดีไปพร้อม ๆ กันแบบภายในและระหว่างโครงสร้างข้อมูลแบบลำดับใด ๆ (เช่นใบหน้าหรือ ngerprint สายก) อันที่จริงแนวคิดของ SHMMs ที่ได้รับการแสดงที่จะมีประสิทธิภาพสูงกว่า HMMs ในจำนวนของการใช้งานรวมทั้งการเขียนด้วยลายมือ [15] แต่ยังไม่ได้นำไปใช้ในการจดจำใบหน้า

ผลลัพธ์ (ไทย) 3:

หนึ่งเมื่อเร็ว ๆนี้การพัฒนารูปแบบรูปแบบโครงสร้างแบบจำลองมาร์คอฟที่ซ่อนอยู่ ( shmms ) [ 15,16 ] เพื่อหลีกเลี่ยงความซับซ้อนของปัญหาที่แท้จริงกับความมุ่งมั่นของรัฐระดับที่สูงขึ้น , shmms ให้วิธีการควบคุมพวกเขา unsupervised อย่างชัดเจนผ่านสำหรับกระบวนการ ความสามารถนี้ถูกเสนอผ่านความสัมพันธ์สมมูลที่สร้างขึ้นในการมองเห็นได้สังเกตลำดับพื้นที่วิธีการนี้ยังช่วยให้ผู้ใช้เพื่อน้ำหนักมากโครงสร้างท้องถิ่นภายในแบบแผนที่แยกศาสนาจึงปลอมตัว . นี้มี shmm recognizer ที่มีระดับที่สูงขึ้นของความ . ดังนั้น shmm เหมาะดีไปพร้อมกัน รูปแบบภายในและระหว่างโครงสร้างแบบลำดับข้อมูลใด ๆ ( เช่น หน้า หรือ จึง ngerprint ) แน่นอนแนวคิดของ shmms ได้รับการแสดงที่จะมีประสิทธิภาพสูงกว่า hmms ในจำนวนของการใช้งานรวมทั้งลายมือ [ 15 ] , แต่ยังสามารถใช้กับใบหน้า .