Despite the ease of which discrimin

Despite the ease of which discriminative patch models can be learned as described previously, it is worth considering whether generative patch models and their corresponding training regimes are simpler enough to achieve similar results. The generative counterpart of the correlation patch model is the average patch. The learning objective for this model is to construct a single image patch that is as close as possible to all examples of the facial feature as measured via the least-squares criterion:

ผลลัพธ์ (ไทย) 1:

แม้ มีความง่ายในที่รุ่นปรับปรุง discriminative สามารถจะเรียนรู้ตามที่อธิบายไว้ก่อนหน้านี้ มันเป็นงั้นว่า generative แพทช์รุ่นและระบอบของพวกเขาฝึกอบรมที่สอดคล้องกันเป็นง่ายพอที่จะบรรลุผลที่คล้ายกัน แพทช์เฉลี่ยกัน generative รุ่นแก้ไขความสัมพันธ์ได้ วัตถุประสงค์การเรียนรู้ในรูปแบบนี้คือการ สร้างโปรแกรมแก้ไขภาพเดียวที่เหมือนเป็นตัวอย่างของลักษณะการทำงานของผิวเป็นไปวัดผ่านเกณฑ์กำลังสองน้อยสุด:

ผลลัพธ์ (ไทย) 2:

แม้จะมีความสะดวกในการที่รูปแบบแพทช์จำแนกสามารถเรียนรู้ได้ตามที่อธิบายไว้ก่อนหน้านี้จะมีมูลค่าการพิจารณาว่ารูปแบบแพทช์กำเนิดและระบบการฝึกอบรมของพวกเขาสอดคล้องเป็นง่ายพอที่จะบรรลุผลที่คล้ายกัน คู่กำเนิดของรูปแบบการแก้ไขความสัมพันธ์เป็นแพทช์เฉลี่ย วัตถุประสงค์การเรียนรู้สำหรับรุ่นนี้คือการสร้างแพทช์ภาพเดียวที่ใกล้ที่สุดเท่าที่เป็นไปได้ในตัวอย่างของลักษณะใบหน้าที่วัดผ่านเกณฑ์อย่างน้อยสี่เหลี่ยม:

ผลลัพธ์ (ไทย) 3:

แม้จะมีความสะดวก ซึ่งรูปแบบแพทช์และสามารถเรียนรู้ได้ตามที่อธิบายไว้ก่อนหน้านี้ มันมีมูลค่าการพิจารณาว่ารูปแบบแพทช์และระบอบการฝึกอบรมที่สอดคล้องกันของพวกเขาเข้าเป็นง่ายพอเพื่อให้บรรลุผลที่คล้ายกัน คู่้ของแพทช์ความสัมพันธ์แบบแพทช์โดยเฉลี่ยการเรียนรู้วัตถุประสงค์สำหรับรุ่นนี้คือการสร้างรูปเดียว แพทช์ที่ใกล้เคียงที่สุดกับตัวอย่างทั้งหมดของคุณลักษณะที่หน้าวัดผ่านทางวิธีเกณฑ์ :