These sequences of landmarks will n

These sequences of landmarks will now form the shape outlines, and a given training shape can be defined as a vector. We generally assume this scattering is Gaussian in this space, and we use PCA to compute normalized eigenvectors and eigenvalues of the covariance matrix across all training shapes. Using the top-center eigenvectors, we create a matrix of dimensions 2k * m, which we will call P. This way, each eigenvector describes a principal mode of variation along the set.

ผลลัพธ์ (ไทย) 1:

ลำดับสถานที่เหล่านี้ตอนนี้จะฟอร์มรูปร่างเค้าร่าง และสามารถกำหนดรูปการฝึกอบรมให้เป็นเวกเตอร์ เราโดยทั่วไปถือว่า ในพื้นที่นี้เป็น Gaussian scattering นี้ และเราใช้ PCA เพื่อคำนวณมาตรฐานลักษณะเฉพาะและเวกเตอร์เมทริกซ์ความแปรปรวนร่วมข้ามรูปฝึกอบรมทั้งหมด เราใช้ลักษณะเฉพาะด้านศูนย์ สร้างเมตริกซ์ขนาด 2k * m ซึ่งเราจะเรียก P. ด้วยวิธีนี้ แต่ละ eigenvector อธิบายโหมดหลักของความผันแปรตามชุด

ผลลัพธ์ (ไทย) 2:

ลำดับของสถ​​านที่สำคัญเหล่านี้จะเป็นโครงร่างรูปทรงและรูปร่างการฝึกอบรมให้สามารถกำหนดเป็นเวกเตอร์ โดยทั่วไปเราสมมติกระเจิงนี้เสียในพื้นที่นี้และเราจะใช้ PCA เพื่อคำนวณ eigenvectors ปกติและค่าลักษณะเฉพาะของเมทริกซ์ความแปรปรวนในรูปทรงการฝึกอบรมทั้งหมด โดยใช้ eigenvectors บนศูนย์เราสร้างเมทริกซ์ที่มีขนาด 2k * เมตรซึ่งเราจะเรียก P. วิธีนี้แต่ละวิคเตอร์อธิบายโหมดหลักของการเปลี่ยนแปลงไปตามที่ตั้งไว้

ผลลัพธ์ (ไทย) 3:

ลำดับของสถานที่เหล่านี้จะรูปร่างรูปแบบสรุป และจัดอบรมให้รูปร่างจะถูกกำหนดเป็นเวกเตอร์ โดยทั่วไป เราถือว่านี้เป็นลักษณะกระจายในพื้นที่นี้ และเราใช้ระบบคำนวณคะแนนทีปกติ และค่าของเมทริกซ์ความแปรปรวนร่วมเสนอในรูปร่างการฝึกอบรมทั้งหมด การเสนอด้านบนตรงกลาง เราสร้างเมทริกซ์มิติ 2 k * M ซึ่งเราจะเรียกหน้าวิธีนี้ แต่ละ ไอเกนเวกเตอร์อธิบายโหมดหลักของการแปรผันตามชุด