7. ConclusionIn this work, we have

7. Conclusion
In this work, we have proposed a new idea which we named
multi-class Fukunaga Koontz discriminant analysis (FKDA) by
incorporating the Fukunaga Koontz transform within the optimization
for maximizing class separation criteria in LDA, UDP, and
LPP. We have proposed an alternative way of maximizing the class
separation criteria in LDA, UDP, and LPP without deriving the
generalized Rayleigh quotient. We show that the optimization in
LDA, UDP, and LPP in ratio form can be equivalently replaced by
the proposed fixed-sum form under the FKDA framework. Such
fixed-sum form in the proposed FKDA framework does not require
any scatter matrices to be non-singular since no matrix inversion
is required. That is why, in contrast to traditional Fisher LDA, UDP,
and LPP, our approach can work with very high dimensional data
as input, without requiring a separate dimensionality reduction
step to make the scatter matrices full rank. In addition, the FKDA
formulation seeks optimal projection direction vectors that are
orthogonal while traditional methods may not guarantee, and it
has the capability of finding the exact solutions to the “trace ratio”
objective in discriminant analysis problems while traditional
methods can only deal with a relaxed and inexact “ratio trace”
objective. We have reported on six face databases, in the context of
large scale unconstrained face recognition, face recognition with
occlusions, and illumination invariant face recognition, under
“closed set”, “semi-open set”, and “open set” recognition scenarios,
that our proposed FKDA remarkably outperforms traditional
discriminant analysis methods as well as five other competing
algorithms.
Conflict of interest
There is no conflict of interests.

ผลลัพธ์ (ไทย) 1:

7. บทสรุปในงานนี้ เราได้เสนอความคิดใหม่ซึ่งเรามีชื่อว่าวิเคราะห์ discriminant Fukunaga Koontz หลายชั้น (FKDA) โดยเพจการแปลง Fukunaga Koontz ภายในการเพิ่มประสิทธิภาพสำหรับการเพิ่มเกณฑ์แยกชั้นใน LDA, UDP และแอล เราได้นำเสนอทางเลือกของการเพิ่มชั้นเกณฑ์แยก LDA, UDP และแอลบริษัทฯผลหารเมจแบบทั่วไปราคาย่อมเยา เราแสดงที่เพิ่มประสิทธิภาพในLDA, UDP และแอลในอัตราส่วนแบบฟอร์มสามารถถูก equivalently แทนที่ด้วยแบบฟอร์มเสนอผลถาวรภายใต้กรอบ FKDA ดังกล่าวแบบฟอร์มผลในกรอบ FKDA เสนอไม่จำเป็นต้องมีกระจัดกระจายเมทริกซ์เป็นไม่ใช่เอกพจน์ตั้งแต่ไฟล์เมตริกซ์จำเป็นต้อง จึง ตรงข้ามแบบ Fisher LDA, UDPและแอล วิธีการของเราสามารถทำงานกับข้อมูลมิติสูงมากเป็นอินพุท โดยไม่ต้องลด dimensionality แยกขั้นตอนที่จะทำให้เมทริกซ์กระจายเต็มอันดับ นอกจากนี้ FKDAกำหนดหาเวกเตอร์ทิศทางโปรเจคเตอร์ที่เหมาะสมที่orthogonal ขณะไม่อาจรับประกันวิธีแบบดั้งเดิม และมีความสามารถในการหาวิธีแก้ปัญหาที่แน่นอนต่อการ"ติดตาม"วัตถุประสงค์ในการวิเคราะห์ discriminant ปัญหาดั้งเดิมในขณะวิธีสามารถจัดการเฉพาะ กับการผ่อนคลาย และของ "อัตราการติดตาม"วัตถุประสงค์ เราได้รายงานในฐานข้อมูลหน้า 6 ในบริบทของจดจำใบหน้าขนาดใหญ่ unconstrained จดจำใบหน้าด้วยocclusions และไฟส่องสว่างนิ่งหน้ารู้ ภายใต้"ปิดการตั้งค่า" "กึ่งเปิดชุด" และ "เปิดชุด" การรับรู้ สถานการณ์ว่า FKDA ของเราเสนอทแบบ outperforms ดั้งเดิมวิธีการวิเคราะห์ discriminant เป็นห้าอื่น ๆ แข่งขันอัลกอริทึมการความขัดแย้งทางผลประโยชน์มีความขัดแย้งไม่น่าสนใจ

ผลลัพธ์ (ไทย) 2:

7.
สรุปในงานนี้เราได้นำเสนอความคิดใหม่ที่เราตั้งชื่อหลายระดับ
Fukunaga ทซ์วิเคราะห์จำแนก (FKDA)
โดยผสมผสานFukunaga
ทซ์เปลี่ยนภายในการเพิ่มประสิทธิภาพในการเพิ่มเกณฑ์ในการแยกชั้นLDA, UDP และ
LPP เราได้นำเสนอทางเลือกของการเพิ่มชั้นหลักเกณฑ์ในการแยก LDA, UDP และ LPP โดยไม่ต้องสืบหารเรย์ลีทั่วไป เราแสดงให้เห็นว่าการเพิ่มประสิทธิภาพในLDA, UDP และ LPP ในรูปแบบอัตราส่วนสามารถเปลี่ยนค่าเท่ากันโดยรูปแบบคงที่จำนวนเงินที่นำเสนอภายใต้กรอบFKDA เช่นรูปแบบคงที่ผลรวมในกรอบ FKDA เสนอไม่จำเป็นต้องมีการฝึกอบรมใดๆ ที่จะกระจายไม่เป็นเอกพจน์ตั้งแต่เมทริกซ์ผกผันไม่จำเป็นต้องมี นั่นคือเหตุผลที่ในทางตรงกันข้ามกับแบบดั้งเดิม LDA ฟิชเชอร์, UDP, และ LPP วิธีการของเราสามารถทำงานร่วมกับข้อมูลมิติที่สูงมากเป็นinput โดยไม่ต้องมีการลดมิติแยกต่างหากขั้นตอนที่จะทำให้การฝึกอบรมการจัดอันดับที่กระจายเต็มรูปแบบ นอกจากนี้ FKDA สูตรพยายามเวกเตอร์ทิศทางการฉายที่ดีที่สุดที่มีฉากในขณะที่วิธีการแบบเดิมอาจจะไม่รับประกันและมันมีความสามารถในการหาโซลูชั่นที่แน่นอนกับ"อัตราส่วนร่องรอยว่า" วัตถุประสงค์ให้เกิดปัญหาการวิเคราะห์จำแนกในขณะที่แบบดั้งเดิมวิธีการสามารถจัดการกับผ่อนคลายและมีความไม่แน่นอน "อัตราส่วนร่องรอย" วัตถุประสงค์ เราได้มีการรายงานในหกฐานข้อมูลใบหน้าในบริบทของการจดจำใบหน้าไม่มีข้อ จำกัด ขนาดใหญ่จดจำใบหน้ากับ occlusions และจดจำใบหน้าคงส่องสว่างภายใต้"ชุดปิด", "ชุดกึ่งเปิด" และ "เปิดชุด" สถานการณ์การรับรู้ที่ FKDA เสนอของเราอย่างน่าทึ่งมีประสิทธิภาพดีกว่าแบบดั้งเดิมวิธีการวิเคราะห์จำแนกเช่นเดียวกับห้าคู่แข่งอื่นๆอัลกอริทึม. ขัดแย้งทางผลประโยชน์มีส่วนได้เสียไม่เป็น

ผลลัพธ์ (ไทย) 3:

7 . สรุป
ในงานนี้ เราได้เสนอไอเดียใหม่ ซึ่งเราตั้งชื่อ
หลายคลาส ฟุคุนากะ คุสจำแนกการวิเคราะห์ ( fkda ) โดย
เรียกนากะคุสเปลี่ยนภายในการเพิ่มเกณฑ์การแยกชั้น

lda UDP , และการ . เรานำเสนอทางเลือกของการเพิ่มคลาส
แยกเกณฑ์ lda UDP , และการปราศจากอนุพันธ์
ตัวแบบเรย์ลี . เราแสดงให้เห็นว่าเหมาะสมใน
lda UDP และอัตราส่วนการในรูปแบบที่สามารถก้องแทนโดยเสนอผลรวมคงที่
fkda ฟอร์มภายใต้กรอบ เช่น
ซ่อมผลรวมแบบฟอร์มในการนำเสนอ fkda กรอบไม่ต้อง
เมทริกซ์กระจายใดๆ ที่จะไม่เอกพจน์เนื่องจากเมทริกซ์ผกผัน
เป็นสิ่งจำเป็น นั่นคือเหตุผลที่ในทางตรงกันข้ามกับแบบดั้งเดิม ฟิชเชอร์ lda
การ , UDP , และ ,วิธีการของเราสามารถทำงานกับสูงมากมิติข้อมูล
เป็นการป้อนข้อมูล โดยแยก dimensionality ลด
ขั้นตอนเพื่อให้กระจายแมทริกซ์เต็มยศ นอกจากนี้ fkda
กำหนดฉายพยายามที่ดีที่สุดเวกเตอร์ทิศทางที่
) ในขณะที่วิธีแบบดั้งเดิมอาจจะไม่รับประกัน และมัน
มีความสามารถในการหาโซลูชั่นแน่นอน " อัตราส่วน " ติดตาม
วัตถุประสงค์ในการวิเคราะห์จำแนกปัญหาในขณะที่ดั้งเดิม
วิธีเท่านั้นที่สามารถจัดการกับ ผ่อนคลาย และไม่ละเอียด " อัตราส่วนที่ติดตาม "
วัตถุประสงค์ เราได้รายงานในหกหน้า ฐานข้อมูล ในบริบทของ
ขนาดใหญ่ซึ่งไม่มีเงื่อนไขใบหน้า ใบหน้าได้รับการยอมรับด้วย
occlusions และไฟส่องสว่าง จดจำใบหน้าไม่เปลี่ยนแปลงภายใต้
" ปิดการตั้งค่า " , " ตั้งค่า " กึ่งเปิดและเปิด " ตั้งค่า " การรับรู้สถานการณ์
ที่เราเสนอ fkda อย่างมีประสิทธิภาพดีกว่าวิธีการการวิเคราะห์แบบดั้งเดิมรวมทั้งห้าคู่แข่งอื่น ๆ



วิธี ผลประโยชน์ทับซ้อน ไม่มีความขัดแย้งทางผลประโยชน์