PCA projects images into a subspace

PCA projects images into a subspace such that the first orthogonal dimension of this subspace captures the greatest amount of variance among the images and the last dimension of this subspace captures the least amount of variance among the
images [7].

ผลลัพธ์ (ไทย) 1:

สมาคมโครงการเช่นว่า orthogonal มิติแรกของ subspace นี้จับยอดสูงสุดของผลต่างระหว่างภาพ และมิติสุดท้ายของ subspace นี้รวบรวมจากผลต่างระหว่างภาพใน subspace เป็น
ภาพ [7]

ผลลัพธ์ (ไทย) 2:

PCA โครงการภาพลงในสเปซดังกล่าวว่ามิติฉากแรกของสเปซนี้จับจำนวนมากที่สุดของความแปรปรวนของภาพและมิติสุดท้ายของสเปซนี้จับจำนวนน้อยที่สุดของความแปรปรวนใน
ภาพ [7]

ผลลัพธ์ (ไทย) 3:

ระบบภาพโครงการเข้าได้ เช่น มิติแรกของชั้นย่อยนี้รวบรวมจํานวนมากที่สุดของความแปรปรวนระหว่างภาพและมิติสุดท้ายของย่อยนี้รวบรวมจํานวนน้อยของความแปรปรวนระหว่าง
ภาพ [ 7 ]