In the three cases, all the SIFT de

In the three cases, all the SIFT descriptors are concatenated as the final feature
vector for the SVM. We plot different classification score distributions over
the testing windows in Figure 2: (1) classification scores from original cascade
detector; (2)(3)(4) SVM classification score of three types of features described
above. It clearly shows that features at the aligned facial points are much more
effective to separate those difficult windows.

ผลลัพธ์ (ไทย) 1:

ในกรณีที่สาม ตัวบอก SIFT จะเชื่อมรวมอยู่เป็นคุณลักษณะขั้นสุดท้ายvector สำหรับ SVM เราพล็อตการกระจายคะแนนของประเภทที่แตกต่างกันไปทดสอบหน้าต่างในรูปที่ 2: การจัดประเภท (1) คะแนนจากเดิมทั้งหมดเครื่องตรวจจับ (2) (3) (4) คะแนน SVM ประเภทสามชนิดของคุณลักษณะที่อธิบายไว้ข้างต้น มันชัดเจนแสดงว่า คุณลักษณะการจัดตำแหน่งหน้าจุดมากมีประสิทธิภาพการแยกหน้าต่างเหล่านั้นยาก

ผลลัพธ์ (ไทย) 2:

ในกรณีที่สามทั้งหมดที่อธิบายร่อนจะถูกตัดแบ่งเป็นคุณสมบัติสุดท้ายเวกเตอร์สำหรับ SVM
เราวางแผนการกระจายคะแนนจำแนกที่แตกต่างกันมากกว่าหน้าต่างการทดสอบในรูปที่ 2 (1) การจัดหมวดหมู่คะแนนจากน้ำตกเดิมเครื่องตรวจจับ; (2) (3) (4) การจัดหมวดหมู่ SVM คะแนนสามประเภทของคุณสมบัติที่อธิบายไว้ข้างต้น มันแสดงให้เห็นชัดเจนว่าคุณสมบัติที่สอดคล้องจุดบนใบหน้ามากขึ้นมีประสิทธิภาพในการแยกหน้าต่างยากเหล่านั้น

ผลลัพธ์ (ไทย) 3:

ในทั้งสามกรณี ทั้งหมดมาร่อนในจะเป็นเวกเตอร์ลักษณะ
สุดท้ายสำหรับ SVM . เราวางแผนที่แตกต่างกันหมวดหมู่คะแนนกระจายกว่า
การทดสอบหน้าต่างในรูปที่ 2 : ( 1 ) การจำแนกคะแนนจากเครื่องเดิมน้ำตก
( 2 ) ( 3 ) ( 4 ) SVM หมวดหมู่คะแนนสามประเภทคุณสมบัติอธิบาย
ข้างบนมันแสดงให้เห็นชัดเจนว่าคุณสมบัติที่ชิดใบหน้าจุดมากขึ้น
มีประสิทธิภาพในการแยกหน้าต่างยากเหล่านั้น