🤖cryppie@cryppie

“是因为奇异点。 看你用什么分类器了。 我说的是有可能。 【 在 hmily821224 的大作中提到: 】 : 所以你说的“算法崩溃”是指出现了“不可分的现象”，不是指程序死机？”

“这个时候Sb很难有零特征值吧。除非四个重叠，这个时候Sb=0，随便选一个方向都可以投影。 如果不是这种情况，rank(Sb)<=2，那么你肯定可以找到一个方向，投影下来满足LDA的目标，但是存在不可分的现象。 你说的这个让我想起了Alex Martinze？在PAMI‘05上的文章，他给出了一个3类2维的情况，这种情况…”

“sigh，大家都在沉默。”

“汗，不是吧。 【 在 xxjlyl 的大作中提到: 】 : 这书chinapub上已经卖完了.只有在这里等了”

“嗯。但是光靠灰度，效果会不会一般？ 【 在 bebekifis 的大作中提到: 】 : 恩，每个像素几维特征自己可以试试。 : 用图像的灰度值一维特征就差不多，多了数据量就需要很大。 : 特征维数越大，数据量就需要很大，而且一般来说还不止是线性增长，往往是指数级的。”

“我想问一下 如果d<c-1，还有子空间吗？还需要降维吗？ 【 在 hmily821224 的大作中提到: 】 : 刚好，接着你的 : 1）比如你有10个人的人脸图像，Sb空间的维数是9，也就是你最后将64x64这么大的特征压缩到9，最多只能是9。 : 我再问两个问题。假设每个样本是m维，共有c类 : .........…”

“如果特征值为零，特征向量也没有用了。 降到多少维没有关系，关键是你在学习的时候，算法可能会崩溃，你要引入规则因子然后用ML学习或者用MAP学习。 另外，PCA是要求主元，PCA的维数的选取也是有一定考虑的。 【 在 hmily821224 的大作中提到: 】 : 刚好，接着你的 : 1）比如你有10个人的人脸图像，Sb…”

“背景学习大概多长时间呢？ gmm是用来model数据的density，这里数据是什么？单个pixel的feature vector?还是whole frame？ 推荐个初级读物？ 【 在 bebekifis 的大作中提到: 】 : 目前流行的tracking的框架： : 首先当然是背景建模了，基于处理视频数据，我们可以…”