In creating a classifier for a part

In creating a classifier for a particular attribute, we could simply choose all pixels on the face, and let our classifier figure out which are important for the task and which are not. This, however, puts too great a burden on the classifier, confusing it with non-discriminative features. Instead, we create a rich set of local feature options from which our classifier can automatically select the best ones. Each option consists of four choices: the region of the face to extract features from, the type of pixel data to use, the kind of normalization to apply to the data, and finally, the level of aggregation to use.
Face Regions:We break up the face into a number of functional regions, such as the nose, mouth, etc., much like those defined in the work on modular eigenspaces [19]. The complete set of 10 regions we use are shown in Fig. 4. Our coarse division of the face allows us to take advantage of the common geometry shared by faces, while allowing for differences between individual faces, as well as robustness to small errors in alignment.
Types of Pixel Data: We include different color spaces and image derivatives as possible feature types. These can often be more discriminative than standard RGB values for certain attributes. Table 3 lists the various options.
Normalizations: Normalizations are important for removing lighting effects, allowing for better generalization across images. We can remove illumination gains by using mean normalization, ˆ x = x , or both gains and offsets by using energy normalization, ˆ x = x− σ . In these equations, x refers to the input value, µ and σ are the mean and standard deviation of all the x values within the region, and ˆ x refers to the normalized output value.
Aggregations: For some attributes, aggregate information over the entire region might be more useful than individual values at each pixel. This includes histograms of values over the region, or simply the mean and variance.

Kết quả (Việt) 1:

Trong việc tạo ra một loại cho một thuộc tính cụ thể, chúng tôi chỉ đơn giản là có thể chọn tất cả các điểm ảnh trên khuôn mặt, và cho chúng tôi con số loại ra đó là quan trọng đối với nhiệm vụ và đó là không. Điều này, Tuy nhiên, đặt quá lớn một gánh nặng trên loại, gây nhầm lẫn nó với các tính năng phòng không discriminative. Thay vào đó, chúng tôi tạo ra một tập phong phú của địa phương tính năng tùy chọn mà từ đó chúng tôi loại có thể tự động chọn những cái tốt nhất. Mỗi tùy chọn bao gồm bốn lựa chọn: vùng của khuôn mặt để trích xuất các tính năng từ, loại điểm ảnh dữ liệu để sử dụng, các loại bình thường hóa để áp dụng cho dữ liệu, và cuối cùng, là mức độ tập hợp để sử dụng.Đối mặt với khu vực: chúng tôi chia tay mặt vào một số khu vực chức năng, chẳng hạn như mũi, miệng, vv, giống như những người được xác định trong công việc trên mô-đun eigenspaces [19]. Các thiết lập hoàn chỉnh của 10 khu vực chúng tôi sử dụng được hiển thị trong hình 4. Chúng tôi phân chia thô của khuôn mặt cho phép chúng tôi tận dụng lợi thế của hình học thường được chia sẻ bởi khuôn mặt, trong khi cho phép cho sự khác biệt giữa khuôn mặt cá nhân, cũng như mạnh mẽ để nhỏ lỗi trong liên kết.Loại dữ liệu điểm ảnh: chúng tôi bao gồm các màu sắc khác nhau tại và hình ảnh của các dẫn xuất như các tính năng có thể loại. Chúng thường có thể hơn discriminative hơn tiêu chuẩn RGB giá trị đối với một số thuộc tính. Bảng 3 liệt kê các tuỳ chọn khác nhau.Normalizations: Normalizations là quan trọng để loại bỏ hiệu ứng ánh sáng, cho phép cho tốt hơn tổng quát trên hình ảnh. Chúng tôi có thể loại bỏ lợi ích chiếu sáng bằng cách sử dụng có nghĩa là bình thường hóa, liên x = x, hoặc cả hai lợi ích và offsets bằng cách sử dụng năng lượng bình thường hóa, liên x = x− σ. Trong các phương trình, x đề cập đến giá trị đầu vào, μ và σ là có ý nghĩa và độ lệch chuẩn của tất cả các giá trị x trong khu vực, và liên x đề cập đến giá trị sản lượng bình thường.Lót máy ngành màu: Cho một số thuộc tính, các thông tin tổng hợp trên vùng toàn bộ có thể là hữu dụng hơn so với các giá trị cá nhân tại mỗi điểm ảnh. Điều này bao gồm histograms của các giá trị trong khu vực, hoặc chỉ đơn giản là có ý nghĩa và phương sai.

Kết quả (Việt) 2:

Trong việc tạo ra một phân loại cho một thuộc tính đặc biệt, chúng tôi chỉ có thể chọn tất cả các điểm trên mặt, và để cho con số phân loại của chúng tôi ra đó là quan trọng đối với công việc và không được. Điều này, tuy nhiên, đặt quá lớn là một gánh nặng về phân loại, gây nhầm lẫn nó với những tính năng không phân biệt. Thay vào đó, chúng tôi tạo ra một tập hợp phong phú các lựa chọn tính năng địa phương để từ đó phân loại chúng tôi có thể tự động chọn những người tốt nhất. Mỗi tùy chọn bao gồm bốn lựa chọn: các vùng của khuôn mặt để trích xuất các tính năng từ, các loại dữ liệu điểm ảnh để sử dụng, các loại bình thường để áp dụng đối với các dữ liệu, và cuối cùng, mức độ tập hợp để sử dụng.
Mặt Regions: Chúng phá vỡ lên mặt vào một số khu vực chức năng, chẳng hạn như mũi, miệng, vv, giống như đã được nêu trong công việc trên eigenspaces modular [19]. Các bộ hoàn chỉnh của 10 khu vực chúng tôi sử dụng được hiển thị trong hình. 4. phận thô của chúng tôi trong những khuôn mặt cho phép chúng tôi tận dụng lợi thế của hình học chung được chia sẻ bởi khuôn mặt, trong khi cho phép sự khác biệt giữa khuôn mặt cá nhân, cũng như mạnh mẽ để các lỗi nhỏ trong sự liên kết.
Các loại Pixel dữ liệu: Chúng tôi bao gồm các không gian màu khác nhau và các dẫn xuất hình ảnh như các loại tính năng có thể. Chúng thường có thể được phân biệt đối xử hơn so với giá trị RGB tiêu chuẩn cho các thuộc tính nhất định. . Bảng 3 liệt kê các tùy chọn khác nhau
Normalizations: Normalizations rất quan trọng để loại bỏ các hiệu ứng ánh sáng, cho phép tổng quát tốt hơn trên hình ảnh. Chúng ta có thể loại bỏ lợi ích chiếu sáng bằng cách sử dụng có nghĩa là bình thường, x = x, hoặc cả hai tăng và bộ o ff bằng cách sử dụng bình thường hóa năng lượng, x = x- σ. Trong các phương trình, x đề cập đến các giá trị đầu vào, μ và σ là giá trị trung bình và độ lệch chuẩn của tất cả các giá trị x trong khu vực, và x đề cập đến giá trị sản lượng bình thường.
Sự quy ​​tụ: Đối với một số thuộc tính, thông tin tổng hợp trên toàn bộ khu vực có thể là hữu ích hơn các giá trị cá nhân trong từng pixel. Điều này bao gồm biểu đồ của các giá trị ở khu vực này, hoặc chỉ đơn giản là giá trị trung bình và phương sai.