Due to the large appearance changes

Due to the large appearance changes in human face images, the linear subspace methods may not capture the non-linearity in facial image representation. As a result, the PCA and LDA algorithms have been extended to represent nonlinear mappings in a higher-dimensional space [9]. Computing and storing the new features in this higher-dimensional space becomes very expensive. Thus, the kernel trick is used for computational efficiency as it enables us to obtain the necessary inner products in the higher-dimensional feature space without computing the higher-dimensional feature mapping. Examples of kernel methods are Kernel Eigenfaces and Kernel Fisherfaces [77] . Kernel functions can be used without having to form an explicit high-dimensional mapping as long as kernels form an inner product space in this higher dimensional mapping and satisfy Mercer’s theorem [51]. A number of papers combining linear subspace methods with the kernel trick including Kernel Direct LDA (KDLDA) [46], Kernel LDA (KDA) [50] or Kernel Fisher’s Analysis (KFA), Kernel PCA (KPCA) [37], and Kernel ICA (KICA) [6] have been applied in face recognition showing improved performance over linear approaches.

Kết quả (Việt) 1:

Do những thay đổi lớn xuất hiện trong hình ảnh khuôn mặt của con người, phương pháp động tuyến tính có thể không nắm bắt phòng không linearity trong mặt hình ảnh đại diện. Kết quả là, các thuật toán PCA và cấp LDA Cải đã được mở rộng để đại diện cho các ánh xạ phi tuyến trong một không gian cao hơn chiều [9]. Máy tính và lưu trữ các tính năng mới trong không gian cao hơn chiều này trở nên rất tốn kém. Vì vậy, trick hạt nhân được dùng để tính toán hiệu quả vì nó cho phép chúng tôi để có được các sản phẩm nội cần thiết trong không gian cao hơn chiều tính năng mà không cần máy tính cao chiều tính năng lập bản đồ. Ví dụ về phương pháp hạt nhân là hạt nhân Eigenfaces và hạt nhân Fisherfaces [77]. Chức năng hạt nhân có thể được sử dụng mà không cần phải tạo một bản đồ chiều cao rõ ràng miễn là hạt nhân tạo thành một không gian bên trong sản phẩm này lập bản đồ chiều cao và đáp ứng Mercer của định lý [51]. Một số giấy tờ kết hợp tuyến tính động phương pháp với thủ thuật hạt nhân bao gồm cả hạt nhân trực tiếp cấp LDA Cải (KDLDA) [46], hạt nhân cấp LDA Cải (KDA) [50] hoặc hạt nhân Fisher phân tích (KFA), hạt nhân PCA (KPCA) [37], và hạt nhân ICA (KICA) [6] đã được áp dụng trong nhận dạng khuôn mặt Hiển thị cải thiện hiệu suất qua phương pháp tiếp cận tuyến tính.

Kết quả (Việt) 2:

Do những thay đổi lớn trong sự xuất hiện hình ảnh khuôn mặt của con người, các phương pháp không gian con tuyến tính có thể không nắm bắt được phi tuyến tính trong đại diện hình ảnh khuôn mặt. Kết quả là, các thuật toán PCA và LDA đã được mở rộng để đại diện cho ánh xạ phi tuyến trong một không gian cao hơn chiều [9]. Tính toán và lưu trữ các tính năng mới trong không gian cao hơn chiều này trở nên rất tốn kém. Như vậy, các trick hạt nhân được sử dụng cho tính toán hiệu quả vì nó cho phép chúng tôi để có được những sản phẩm bên trong cần thiết trong không gian đặc trưng cao hơn chiều mà không cần tính toán các tính năng lập bản đồ cao hơn chiều. Ví dụ về các phương pháp kernel là Eigenfaces Kernel Kernel và Fisherfaces [77]. Chức năng hạt nhân có thể được sử dụng mà không cần phải tạo một bản đồ chiều cao rõ ràng miễn là hạt nhân tạo thành một không gian sản phẩm bên trong bản đồ chiều cao này và có đủ lý Mercer của [51]. Một số giấy tờ kết hợp các phương pháp không gian con tuyến tính với cách lừa hạt nhân bao gồm cả Kernel Direct LDA (KDLDA) [46], Kernel LDA (KDA) [50] hoặc Phân tích (KFA) Kernel Fisher, Kernel PCA (KPCA) [37], và hạt nhân ICA (KICA) [6] đã được áp dụng trong nhận dạng khuôn mặt cho thấy cải thiện hiệu suất qua các phương pháp tuyến tính.