In this work, we have described a n

In this work, we have described a new approach to searching for images in large databases and have constructed the first face search engine using this approach. By limiting our focus to images with faces, we are able to align the images to a common coordinate system. This allows us to exploit the commonality of facial structures across people to train accurate classifiers for real-world face images. Our approach shows the power of combining the strengths of different algorithms to create a flexible architecture without sacrificing classification accuracy.
As we continue to grow and improve our system, we would also like to address some of our current limitations. For example, to handle more than just frontal faces would require that we define the face regions for each pose bin. Rather than specifying the regions manually, however, we can define them once on a 3D model, and then project the regions to 2D for each pose bin. The other manual portion of our architecture is the labeling of example images for training classifiers. Here, we can take advantage of communities on the internet by offering a simple interface for both defining new attributes and labeling example images. Finally, while our dictionary-based search interface is adequate for most simple queries, taking advantage of methods in statistical natural language processing (NLP) could allow our system to map more complex queries to the list of attributes.

Kết quả (Việt) 1:

Trong tác phẩm này, chúng tôi đã mô tả một cách tiếp cận mới để tìm kiếm hình ảnh trong cơ sở dữ liệu lớn và đã xây dựng đầu tiên mặt tìm kiếm bằng cách sử dụng phương pháp này. Bằng cách hạn chế của chúng tôi tập trung vào hình ảnh với khuôn mặt, chúng tôi có thể sắp xếp các hình ảnh để một hệ tọa độ phổ biến. Điều này cho phép chúng tôi để khai thác tính phổ biến của các cấu trúc trên khuôn mặt trên người để đào tạo máy phân loại chính xác hình ảnh khuôn mặt thế giới thực. Cách tiếp cận của chúng tôi cho thấy sức mạnh của việc kết hợp những thế mạnh của các thuật toán khác nhau để tạo ra một kiến trúc RMIT mà không mất phân loại chính xác. Như chúng tôi tiếp tục phát triển và cải thiện hệ thống của chúng tôi, chúng tôi cũng muốn giải quyết một số hạn chế hiện tại của chúng tôi. Ví dụ, để xử lý nhiều hơn chỉ cần phía trước khuôn mặt sẽ yêu cầu chúng tôi xác định khu vực khuôn mặt mỗi tư thế rác. Chứ không phải là xác định các khu vực theo cách thủ công, Tuy nhiên, chúng tôi có thể xác định chúng một lần trên một mô hình 3D, và sau đó kế hoạch vùng để 2D cho mỗi bin tư thế. Hướng dẫn sử dụng phần khác của kiến trúc của chúng tôi là ghi nhãn hình ảnh ví dụ cho máy phân loại đào tạo. Ở đây, chúng tôi có thể tận dụng lợi thế của các cộng đồng trên internet bằng cách cung cấp một giao diện đơn giản cho cả xác định thuộc tính mới và ghi nhãn hình ảnh ví dụ. Cuối cùng, trong khi giao diện tìm kiếm dựa trên từ điển của chúng tôi là đủ cho hầu hết các truy vấn đơn giản, lợi dụng của phương pháp trong thống kê ngôn ngữ tự nhiên chế biến (NLP) có thể cho phép hệ thống của chúng tôi để ánh xạ các truy vấn phức tạp hơn cho danh sách các thuộc tính.

Kết quả (Việt) 2:

Trong công trình này, chúng tôi đã mô tả một cách tiếp cận mới để tìm kiếm hình ảnh trong cơ sở dữ liệu lớn và đã xây dựng các công cụ tìm kiếm đầu tiên khuôn mặt bằng cách sử dụng phương pháp này. Bằng cách giới hạn trọng tâm của chúng tôi để hình ảnh có khuôn mặt, chúng tôi có thể sắp xếp các hình ảnh đến một hệ thống phối hợp phổ biến. Điều này cho phép chúng ta khai thác những tương đồng về cấu trúc khuôn mặt qua những người để đào tạo các phân loại chính xác cho hình ảnh khuôn mặt trong thế giới thực. Cách tiếp cận của chúng tôi cho thấy sức mạnh của việc kết hợp những điểm mạnh của các thuật toán khác nhau để tạo ra một kiến trúc linh hoạt fl mà không bị mất độ chính xác phân loại.
Khi chúng tôi tiếp tục phát triển và cải thiện hệ thống của chúng tôi, chúng tôi cũng muốn giải quyết một số những hạn chế hiện tại của chúng tôi. Ví dụ, để xử lý nhiều hơn là chỉ khuôn mặt phía trước sẽ yêu cầu chúng tôi xác định các vùng khuôn mặt cho từng đặt ra bin. Thay vì quy định cụ thể các vùng tay, tuy nhiên, chúng ta có thể xác định chúng một lần trên một mô hình 3D, và sau đó dự án khu vực sang 2D cho từng đặt ra bin. Các phần của nhãn hiệu khác của kiến trúc của chúng tôi là việc ghi nhãn ví dụ hình ảnh cho phân lớp đào tạo. Ở đây, chúng ta có thể tận dụng lợi thế của các cộng đồng trên internet bằng cách cung cấp một giao diện đơn giản cho cả việc xác định các thuộc tính mới và dán nhãn ví dụ hình ảnh. Cuối cùng, trong khi giao diện tìm kiếm dựa trên từ điển của chúng tôi là đủ cho hầu hết các truy vấn đơn giản, tận dụng lợi thế của phương pháp trong xử lý ngôn ngữ tự nhiên thống kê (NLP) có thể cho phép hệ thống của chúng tôi để lập bản đồ các truy vấn phức tạp hơn vào danh sách các thuộc tính.