In order to be able to draw relevan

In order to be able to draw relevant conclusions, several experiments have been carried out using two challenging and realistic face image databases called Labeled Faces in the Wild (LFW) [14] and the so-called Gallagher’s database [10], where the images were taken in unconstrained conditions. Our Local-DNN framework outperforms other deep learning methods evaluated in this work, such as standard DNNs and DCNNs, and also obtains state-of-the-art results on these databases.

ผลลัพธ์ (ไทย) 1:

เพื่อให้สามารถวาดเกี่ยวข้องบทสรุป มีการทดลองหลายดำเนินออกใช้สองท้าทายจริงหน้ารูปฐานข้อมูล และเรียกชื่อใบหน้าในป่า (LFW) [14] และฐานข้อมูลของ Gallagher เรียกว่า [10], ซึ่งภาพที่ถ่ายใน unconstrained DNN ภายในกรอบของวิธีการเรียนรู้แบบลึกอื่น ๆ ประเมินในงานนี้ เช่นมาตรฐาน DNNs และ DCNNs, outperforms และยัง ได้รับผลรัฐ-of-the-art บนฐานข้อมูลเหล่านี้

ผลลัพธ์ (ไทย) 2:

เพื่อที่จะสามารถที่จะสรุปผลที่เกี่ยวข้องการทดลองหลายได้รับการดำเนินการโดยใช้ฐานข้อมูลทั้งสองภาพใบหน้าที่ท้าทายและเป็นจริงที่เรียกว่าใบหน้าป้ายในป่า (LFW) [14] และที่เรียกว่าฐานข้อมูลของกัลลาเกอร์ของ [10] ที่ภาพ ถูกนำมาอยู่ในสภาพที่ไม่มีข้อ จำกัด กรอบท้องถิ่นของเรามีประสิทธิภาพดีกว่า DNN วิธีการเรียนรู้ลึกอื่น ๆ ที่ได้รับการประเมินในงานนี้เช่น DNNs มาตรฐานและ DCNNs และยังได้รับผลการรัฐของศิลปะบนฐานข้อมูลเหล่านี้

ผลลัพธ์ (ไทย) 3:

เพื่อที่จะได้ข้อสรุปที่เกี่ยวข้อง ทดลองหลาย ๆ ได้ โดยใช้ฐานข้อมูลภาพหน้าสองท้าทายและสมจริง เรียกว่า ป้ายหน้าในป่า ( lfw ) [ 14 ] และเรียกว่า ฐานข้อมูล กัลลาเกอร์ [ 10 ] ที่ภาพถูกถ่ายในเงื่อนไขที่ต่างกันไป . กรอบ dnn ท้องถิ่นของเรามีประสิทธิภาพดีกว่าวิธีการเรียนแบบลึก ๆในงานนี้เช่น dnns มาตรฐานและ dcnns และยังได้รับผลรัฐ - of - the - art ในฐานข้อมูลเหล่านี้