In recent years, Support Vector Mac

In recent years, Support Vector Machines (SVMs) [2] have been used successfully for many classification tasks [20, 21]. SVMs aim to find the linear hyperplane which best separates feature vectors of two different classes, so as to simultaneously minimize the number of misclassified examples (training error) and maximize the distance between the classes (the margin).
As with many classification algorithms, SVMs perform best when given only the relevant data – too many extraneous inputs can confuse or overtrain the classifier, resulting in poor accuracy on real data. In particular, if we would like to train a classifier for an attribute that is only dependent on a certain part of the face (e.g., “is smiling?”), giving the SVM a feature vector constructed from all the pixels of the face is unlikely to yield optimal results. Given the large number of regions and feature types described in the previous section, an efficient and automatic selection algorithm is needed to find the optimal combination of features for each attribute. Following the successes of [10, 7, 8, 11], we use Adaboost [9] for this purpose.

Kết quả (Việt) 1:

Những năm gần đây, hỗ trợ Vector máy (SVMs) [2] đã được sử dụng thành công cho nhiều nhiệm vụ phân loại [20, 21]. SVMs nhằm mục đích tìm hyperplane tuyến tính tốt nhất chia tách tính năng vectơ của hai lớp học khác nhau, để đồng thời giảm thiểu số lượng các ví dụ misclassified (đào tạo lỗi) và tối đa hóa khoảng cách giữa các lớp học (lợi nhuận).Như với nhiều các thuật toán phân loại, SVMs thực hiện tốt nhất khi được đưa ra chỉ là những dữ liệu có liên quan-đầu vào không liên quan quá nhiều có thể gây nhầm lẫn hoặc overtrain loại, dẫn đến độ chính xác kém trên dữ liệu thực tế. Đặc biệt, nếu chúng tôi muốn đào tạo một loại cho một thuộc tính đó là chỉ phụ thuộc vào một phần nhất định của khuôn mặt (ví dụ như, "mỉm cười?"), đưa ra SVM tính năng một véc tơ xây dựng từ tất cả các điểm ảnh của khuôn mặt là dường như không mang lại kết quả tối ưu. Cho số lớn của khu vực và các loại tính năng được mô tả trong phần trước, efficient và tự động lựa chọn thuật toán cần thiết để tìm thấy sự kết hợp tối ưu của tính năng cho mỗi thuộc tính. Sau thành công của [10, 7, 8, 11], chúng tôi sử dụng Adaboost [9] cho mục đích này.

Kết quả (Việt) 2:

Trong những năm gần đây, Support Vector Machines (SVMs) [2] đã được sử dụng thành công trong nhiều nhiệm vụ phân loại [20, 21]. SVMs nhằm mục đích để tìm siêu phẳng tuyến tính ngăn cách tốt nhất tính năng vectơ của hai lớp khác nhau, để đồng thời giảm thiểu số lượng các ví dụ phân loại sai (lỗi đào tạo) và tối đa hóa khoảng cách giữa các lớp (margin).
Như với nhiều thuật toán phân loại, SVMs thực hiện tốt nhất khi đưa ra chỉ các dữ liệu có liên quan - quá nhiều yếu tố đầu vào không liên quan có thể gây nhầm lẫn hoặc overtrain phân loại, kết quả chính xác nghèo trên dữ liệu thực tế. Đặc biệt, nếu chúng ta muốn đào tạo một phân loại cho một thuộc tính chỉ phụ thuộc vào một phần nào đó của khuôn mặt (ví dụ, "đang mỉm cười?"), Cho SVM một vector tính năng được xây dựng từ tất cả các điểm ảnh của khuôn mặt dường như không mang lại kết quả tối ưu. Với một số lượng lớn của các vùng và các loại tính năng được mô tả trong phần trước, một cient e ffi và thuật toán lựa chọn tự động là cần thiết để tìm ra sự kết hợp tối ưu các tính năng cho mỗi thuộc tính. Sau những thành công của [10, 7, 8, 11], chúng tôi sử dụng [9] AdaBoost cho mục đích này.