Although the training process is qu

Although the training process is quite simple, it can still take some time to complete.
Depending on the number of facial features, the size of the patches, and the number
of stochastic samples in the optimization algorithm, the training process can take
anywhere between a few minutes to over an hour. However, since the training of
each patch can be performed independently of all others, this process can be sped
up substantially by parallelizing the training process across multiple processor-cores
or machines.
Once training has been completed, the program in visualize_patch_model.cpp
can be used to visualize the resulting patch models. As with the visualize_shape_
model.cpp program, the aim here is to visually inspect the results to verify if anything
went wrong during the training process. The program generates a composite image
of all the patch models, patch_model::P, each centered at their respective feature
location in the reference shape, patch_models::reference, and displays a bounding
rectangle around the patch whose index is currently active. The cv::waitKey
function is used to get user input for selecting the active patch index and terminating
the program. The following image shows three examples of composite patch images
learned for patch model with varying spatial support. Despite using the same
training data, modifying the spatial support of the patch model appears to change the
structure of the patch models substantially. Visually inspecting the results in this way
can lend intuition into how to modify the parameters of the training process, or even
the training process itself, in order to optimize results for a particular application.

ผลลัพธ์ (ไทย) 1:

แม้ว่าการฝึกอบรมจะค่อนข้างง่าย มันยังสามารถใช้เวลาให้เสร็จสมบูรณ์
ขึ้นอยู่กับจำนวนของผิวหน้า ขนาดของโปรแกรม และหมายเลข
ตัวอย่างแบบเฟ้นสุ่มในอัลกอริทึมเพิ่มประสิทธิภาพ การฝึกอบรมสามารถใช้
ที่ใดก็ได้ระหว่างสองสามนาทีกว่าชั่วโมงได้ อย่างไรก็ตาม เนื่องจากการฝึกอบรม
สามารถดำเนินการแก้ไขแต่ละอิสระอื่น ๆ ทั้งหมด สามารถ sped กระบวนการนี้
ขึ้นมาก โดย parallelizing การฝึกอบรมข้ามแกนตัวประมวลผลหลาย
เครื่องได้
เมื่อฝึกอบรมเสร็จ โปรแกรมใน visualize_patch_model.cpp
ใช้เห็นภาพรุ่นปรับปรุงผลลัพธ์ได้ เป็นโปรแกรม visualize_shape_
model.cpp จุดมุ่งหมายที่นี่เพื่อ ตรวจสอบผลการตรวจสอบสายตาถ้าอะไร
ไปไม่ถูกต้องในระหว่างกระบวนการฝึกอบรม โปรแกรมสร้างภาพคอมโพสิต
รุ่นทั้งหมดปรับปรุง patch_model::P แต่ละแปลกที่คุณลักษณะของพวกเขาเกี่ยวข้อง
ในรูปอ้างอิง patch_models::reference และแสดงขอบแบบ
สี่เหลี่ยมรอบปรับปรุงดัชนีที่มีอยู่ในปัจจุบัน Cv::waitKey
ฟังก์ชันจะใช้เพื่อป้อนข้อมูลผู้ใช้สำหรับเลือกดัชนีปรับปรุงงาน และสิ้นสุด
โปรแกรม รูปต่อไปนี้แสดงตัวอย่าง 3 โปรแกรมปรับปรุงคอมโพสิตภาพ
เรียนรุ่นแพทช์กับสนับสนุนพื้นที่แตกต่างกัน แม้ มีใช้เหมือนกัน
ข้อมูลการฝึกอบรม ปรับเปลี่ยนการสนับสนุนพื้นที่รุ่นปรับปรุงปรากฏการ เปลี่ยนแปลง
โครงสร้างของโปรแกรมปรับปรุงรุ่นมากขึ้น ตรวจสอบผลลัพธ์ด้วยวิธีนี้เห็น
สามารถยืมสัญชาตญาณในการปรับเปลี่ยนพารามิเตอร์ของกระบวนการฝึกอบรม หรือแม้แต่
กระบวนการฝึกอบรมตัวเอง การเพิ่มประสิทธิภาพผลลัพธ์สำหรับโปรแกรมประยุกต์เฉพาะงาน

ผลลัพธ์ (ไทย) 2:

แม้ว่ากระบวนการฝึกอบรมค่อนข้างง่ายก็ยังสามารถใช้เวลาในการดำเนินการบางอย่าง
ขึ้นอยู่กับจำนวนของใบหน้าขนาดของแพทช์และจำนวน
ของตัวอย่างสุ่มในขั้นตอนวิธีการเพิ่มประสิทธิภาพกระบวนการการฝึกอบรมสามารถใช้
ที่ใดก็ได้ระหว่าง ไม่กี่นาทีกว่าหนึ่งชั่วโมง อย่างไรก็ตามเนื่องจากการฝึกอบรมของ
แต่ละแพทช์สามารถดำเนินการเป็นอิสระจากคนอื่น ๆ ทั้งหมดขั้นตอนนี้สามารถที่จะเร่ง
ขึ้นอย่างมีนัยสำคัญโดย parallelizing กระบวนการฝึกอบรมในหลายหน่วยประมวลผลแกน
หรือเครื่อง
เมื่อได้รับการฝึกอบรมเสร็จสิ้นโปรแกรม visualize_patch_model.cpp
สามารถ ที่ใช้ในการมองเห็นภาพที่เกิดรูปแบบแพทช์ เช่นเดียวกับ visualize_shape_
โปรแกรม model.cpp เป้าหมายที่นี่คือการมองเห็นการตรวจสอบผลการตรวจสอบหากมีสิ่งใด
ผิดพลาดไปในระหว่างขั้นตอนการฝึกอบรม โปรแกรมสร้างภาพคอมโพสิต
ของทุกรุ่นแพทช์ patch_model :: P แต่ละศูนย์กลางที่คุณสมบัติของแต่ละ
สถานที่ในรูปอ้างอิง patch_models :: อ้างอิงและแสดงขอบเขต
สี่เหลี่ยมล้อมรอบแพทช์ที่มีดัชนีมีการใช้งานในปัจจุบัน พันธุ์ :: waitKey
ฟังก์ชั่นที่ใช้ในการรับเข้าของผู้ใช้สำหรับการเลือกดัชนีแพทช์ที่ใช้งานและยกเลิก
โปรแกรม ภาพต่อไปนี้แสดงให้เห็นถึงสามตัวอย่างของภาพแพทช์ประกอบ
การเรียนรู้สำหรับรูปแบบแพทช์ที่แตกต่างกับการสนับสนุนพื้นที่ แม้จะมีขึ้นโดยได้ใช้
ข้อมูลการฝึกอบรมการปรับเปลี่ยนการสนับสนุนพื้นที่ของรูปแบบแพทช์ที่ดูเหมือนจะมีการเปลี่ยนแปลง
โครงสร้างของรูปแบบแพทช์อย่างมาก สายตาการตรวจสอบผลลัพธ์ในลักษณะนี้
สามารถยืมสัญชาตญาณเป็นวิธีการปรับเปลี่ยนค่าพารามิเตอร์ของกระบวนการฝึกอบรมหรือแม้แต่
กระบวนการฝึกอบรมของตัวเองเพื่อเพิ่มประสิทธิภาพผลสำหรับการใช้งานโดยเฉพาะอย่างยิ่ง

ผลลัพธ์ (ไทย) 3:

แม้ว่ากระบวนการฝึกอบรม ค่อนข้างง่าย , มันยังสามารถใช้เวลานานให้เสร็จสมบูรณ์
ขึ้นอยู่กับจำนวนของใบหน้า , ขนาดของแพทช์และหมายเลข
ตัวอย่างสุ่มในขั้นตอนวิธีการเพิ่มประสิทธิภาพ กระบวนการฝึกอบรมสามารถใช้
ที่ใดก็ได้ระหว่างไม่กี่นาทีชั่วโมง อย่างไรก็ตาม เนื่องจากการฝึกอบรม
แต่ละแพทช์ที่สามารถดำเนินการโดยอิสระของผู้อื่นทั้งหมดกระบวนการนี้สามารถเร่ง
ขึ้นอย่างเต็มที่ โดย parallelizing กระบวนการฝึกอบรมข้ามแกนประมวลผลหลาย

หรือเครื่อง เมื่ออบรมเสร็จเรียบร้อยแล้ว โปรแกรมใน visualize_patch_model.cpp
สามารถใช้เห็นผล Patch แบบ เป็นโปรแกรม visualize_shape_
model.cpp เป้าหมายที่นี่คือการตรวจสอบผลเพื่อตรวจสอบว่าอะไร
ผิดพลาดระหว่างการฝึกอบรม โปรแกรมสร้าง
รูปภาพประกอบรุ่น ทุกแพทช์ patch_model : : P แต่ละศูนย์กลางที่ตนมี
สถานที่ในการอ้างอิงรูปร่าง patch_models : : อ้างอิง และแสดงขอบเขต
สี่เหลี่ยมรอบแพทช์ที่มีดัชนีปัจจุบันที่ใช้งานอยู่ CV : : waitkey
ฟังก์ชันที่ใช้รับข้อมูลผู้ใช้สำหรับการเลือกใช้ดัชนีแก้ไขและยกเลิก
โปรแกรม ภาพต่อไปนี้แสดงสามตัวอย่างของคอมโพสิตช์ภาพ
เรียนรูปแบบแพทช์ที่สนับสนุนเชิงพื้นที่ แม้จะมีการใช้ข้อมูลการฝึกอบรมเดียวกัน
, การสนับสนุนพื้นที่ของแพทช์รุ่นดูเหมือนจะเปลี่ยนโครงสร้างของแพทช์
รุ่นอย่างมากการตรวจสอบผลในวิธีนี้
สามารถยืมสัญชาตญาณเป็นวิธีการปรับเปลี่ยนพารามิเตอร์ของกระบวนการฝึกอบรม หรือแม้แต่
กระบวนการฝึกอบรมตัวเอง เพื่อเพิ่มประสิทธิภาพของผลลัพธ์สำหรับโปรแกรมเฉพาะ