where ST denotes the total scatter

where ST denotes the total scatter matrix which contains pixel-wise covariances
of the face data. Figure 3.1 shows examples of Eigenfaces generated
from the generic training images of FRGC dataset [1] after pre-processing
the face images such as normalizing faces for rotation, scale and illumination
compensation. PCA is good for data representation but not necessarily for
class discrimination as we will discuss next.

Kết quả (Việt) 1:

nơi ST là bắt ma trận tất cả phân tán chứa pixel-wise covariancesdữ liệu khuôn mặt. Con số 3.1 cho thấy các ví dụ của Eigenfaces tạo ratừ những hình ảnh chung đào tạo của tập dữ liệu FRGC [1] sau khi tiền xử lýnhững hình ảnh khuôn mặt như bình thường hóa các khuôn mặt cho xoay, quy mô và chiếu sángbồi thường. PCA là tốt cho đại diện dữ liệu nhưng không nhất thiết phải cholớp phân biệt đối xử như chúng tôi sẽ thảo luận tiếp theo.

Kết quả (Việt) 2:

nơi ST biểu thị tổng số ma trận tán xạ, trong đó có hiệp phương pixel-khôn ngoan
của các dữ liệu khuôn mặt. Hình 3.1 cho thấy ví dụ về Eigenfaces tạo ra
từ những hình ảnh đào tạo chung của FRGC [1] bộ dữ liệu sau khi tiền xử lý
các hình ảnh khuôn mặt như bình thường khuôn mặt cho luân chuyển, quy mô và độ chiếu sáng
bồi thường. PCA là tốt cho biểu diễn dữ liệu nhưng không nhất thiết cho
sự phân biệt đẳng cấp như chúng ta sẽ thảo luận tiếp theo.