Then, at the end of each training i

Then, at the end of each training iterations, I run the face
detector and collected all those nonface patterns that were
wrongly classified as faces and used them for training. And,
extract negative training examples on false-alarm-causing
image set again. To get more efficient negative examples, I
used classifiers which were found in previous iteration and
chose negative examples which were mis-classified as a face.

ผลลัพธ์ (ไทย) 1:

จาก นั้น ในตอนท้ายของแต่ละแผนการฝึกอบรม ฉันทำหน้าเครื่องตรวจจับ และรวบรวมทั้งหมดที่ nonface รูปแบบที่จัดประเภทเป็นใบหน้า และใช้สำหรับฝึกอบรมผิดกัน และแยกตัวอย่างฝึกลบเท็จปลุกทำให้เกิดรูปที่ตั้งอีกครั้ง จะได้รับตัวอย่างลบมาก ฉันใช้คำนามภาษาที่พบก่อนหน้านี้เกิดซ้ำ และเลือกตัวอย่างเชิงลบซึ่งลับผิดเป็นใบหน้า

ผลลัพธ์ (ไทย) 2:

จากนั้นในตอนท้ายของแต่ละซ้ำการฝึกอบรมผมทำงานหน้าเครื่องตรวจจับและรวบรวมทุกคน nonface รูปแบบที่ได้รับการจัดผิดเป็นใบหน้าและใช้พวกเขาสำหรับการฝึกอบรม และสารสกัดจากตัวอย่างการฝึกอบรมเชิงลบเกี่ยวกับการเตือนภัยที่ผิดพลาดที่ทำให้เกิดภาพที่ตั้งค่าอีกครั้ง เพื่อให้ได้ตัวอย่างที่มีประสิทธิภาพมากขึ้นในเชิงลบผมใช้ลักษณนามที่พบในการทำซ้ำก่อนหน้านี้และเลือกตัวอย่างเชิงลบที่มีผิดพลาดจัดเป็นใบหน้า

ผลลัพธ์ (ไทย) 3:

แล้ว ในตอนท้ายของแต่ละการฝึกอบรมซ้ำ ผมวิ่งหน้า
เครื่องตรวจจับและเก็บพวก nonface ลวดลายที่
ผิดจัดเป็นใบหน้าและใช้พวกเขาสำหรับการฝึกอบรม และสารสกัดจากตัวอย่างการฝึกอบรมลบ

ปลุกเท็จก่อให้เกิดภาพชุดอีก เพื่อให้ได้ตัวอย่างลบ มีประสิทธิภาพมากขึ้น ฉันใช้คำที่พบใน

ซ้ำก่อนเลือกลบตัวอย่างซึ่งเป็นระบบสารสนเทศแบ่งเป็นหน้า