In learning detectors, there are tw

In learning detectors, there are two primary competing paradigms: generative and discriminative. Generative methods learn an underlying representation of image patches that can best generate the object appearance in all its manifestations. Discriminative methods, on the other hand, learn a representation that best discriminates instances of the object from other objects that the model will likely encounter when deployed. Generative methods have the advantage that the resulting model encodes properties specific to the object, allowing novel instances of the object to be visually inspected. A popular approach that falls within the paradigm of generative methods is the famous Eigenfaces method. Discriminative methods have the advantage that the full capacity of the model is geared directlytowards the problem at hand; discriminating instances of the object from all others.
Perhaps the most well-known of all discriminative methods is the support vector machine. Although both paradigms can work well in many situations, we will see that when modeling facial features as an image patch, the discriminative paradigm is far superior.

ผลลัพธ์ (ไทย) 1:

ในการเรียนรู้ตรวจจับ มีสองหลักแข่งขัน paradigms: generative และ discriminative วิธี generative เรียนรู้การแสดงต้นแบบของโปรแกรมแก้ไขรูปภาพที่ดีที่สุดสามารถสร้างลักษณะที่ปรากฏของวัตถุในลักษณะของ Discriminative วิธีการ ในทางกลับกัน เรียนรู้การแสดงที่สุด discriminates อินสแตนซ์ของวัตถุจากวัตถุอื่น ๆ ที่แบบจำลองอาจจะพบเมื่อใช้งาน วิธี generative มีข้อดีที่รูปแบบผลลัพธ์จแมปคุณสมบัติเฉพาะวัตถุ นวนิยายอินสแตนซ์ของวัตถุจะตรวจสอบสายตาให้ วิธียอดนิยมที่อยู่ภายในกระบวนทัศน์วิธี generative เป็นวิธี Eigenfaces มีชื่อเสียง วิธีการ discriminative มีข้อดีที่ว่ากำลังการผลิตเต็มรูปแบบของแบบโล่ง directlytowards ปัญหามือ กรณีรับการจำแนกวัตถุจากผู้อื่นทั้งหมด
ทีรู้จักมากที่สุดของวิธีการ discriminative ทั้งหมดเป็นเครื่องสนับสนุนเวกเตอร์ แม้ว่าทั้ง paradigms ได้ดีในหลายสถานการณ์ เราจะเห็นว่า เมื่อทำหน้าการสร้างโมเดลเป็นการแก้ไขภาพ กระบวนทัศน์ discriminative ไกลเหนือกว่ากัน

ผลลัพธ์ (ไทย) 2:

เครื่องตรวจจับในการเรียนรู้มีสองกระบวนทัศน์การแข่งขันหลัก: กำเนิดและการจำแนก วิธีการเรียนรู้กำเนิดเป็นตัวแทนพื้นฐานของแพทช์ภาพที่ดีที่สุดที่สามารถสร้างลักษณะของวัตถุในทุกอาการของ วิธีการจำแนกในขณะที่เรียนรู้การเป็นตัวแทนที่ดีที่สุดเลือกปฏิบัติกรณีของวัตถุจากวัตถุอื่น ๆ ที่รูปแบบมีแนวโน้มที่จะพบเมื่อนำไปใช้งาน วิธีการกำเนิดมีความได้เปรียบว่ารูปแบบการเข้ารหัสคุณสมบัติเฉพาะกับวัตถุที่ช่วยให้การกรณีนวนิยายของวัตถุที่จะตรวจสายตา วิธียอดนิยมที่อยู่ในกระบวนทัศน์ของวิธีการกำเนิดเป็นวิธี eigenfaces ที่มีชื่อเสียง วิธีการจำแนกมีข้อได้เปรียบที่เต็มความจุของรูปแบบที่จะมุ่ง directlytowards ปัญหาที่มือ; กรณีแบ่งแยกของวัตถุจากคนอื่น ๆ
อาจจะเป็นที่รู้จักมากที่สุดของวิธีการจำแนกทั้งหมดเป็นเครื่องสนับสนุนเวกเตอร์ แม้ว่ากรอบความคิดทั้งสองสามารถทำงานได้ดีในหลาย ๆ สถานการณ์เราจะเห็นว่าเมื่อมีการสร้างแบบจำลองใบหน้าเป็นแพทช์ภาพกระบวนทัศน์จำแนกจะดีกว่าไกล

ผลลัพธ์ (ไทย) 3:

ในการเรียนสูง มีหลักสองกระบวนทัศน์ : เข้าแข่งขัน และค่า . วิธีการเข้าเรียนพื้นฐานการแสดงของแพทช์ภาพที่ดีที่สุดที่สามารถสร้างวัตถุที่ปรากฏในอาการของมันทั้งหมด วิธีการและในมืออื่น ๆเรียนรู้การเป็นตัวแทนที่ดีที่สุดไม่ยอมรับอินสแตนซ์ของวัตถุจากวัตถุอื่น ๆที่แบบอาจจะพบเมื่อใช้ วิธีเข้า มีข้อดีที่ส่งผลให้รูปแบบการเข้ารหัสคุณสมบัติเฉพาะสิ่งของให้กรณีนวนิยายของวัตถุที่จะสามารถมองเห็นการเป็นวิธีการที่ได้รับความนิยมอยู่ในกระบวนทัศน์ของวิธีการเข้าเป็นวิธี eigenfaces ที่มีชื่อเสียง วิธีการและมีข้อได้เปรียบที่ความจุเต็มรูปแบบเหมาะ directlytowards ปัญหาในมือ ; ระหว่างอินสแตนซ์ของวัตถุจากผู้อื่น
บางทีที่มีชื่อเสียงที่สุดของวิธีการแยกเป็นสนับสนุนเวกเตอร์เครื่องจักรแม้ว่าทั้งกระบวนทัศน์ สามารถทำงานได้ดีในสถานการณ์ต่างๆ เราจะเห็นว่าเมื่อแบบจำลองใบหน้าเป็นแพทช์ภาพ , กระบวนทัศน์และไกล superior .