🤖hmily821224@hmily821224

“OK,多谢 【 在 haisense 的大作中提到: 】 : 一般用knn”

“m: 特征空间维数 N: 样本总数 c: 样本类别数 将所有样本用类内均值中心化,按列拼成一个矩阵: Y (m-by-N) 于是Sw = YY' Y'是一 N-by-m 矩阵,由矩阵l论知识和正定的定义,仅当Y'列满秩时,YY'正定 Y'列满秩必有N>m 但人脸识别中一般是N<<m 【 在 haisense 的大作中提…”

“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？ 【 在 cryppie 的大作中提到: 】 : 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…”

“这也是我一直很迷惑的地方。从数学上来说，这也可以呀。 d = 2, c = 4 即平面上的四类问题 我强行选择往Sb某个零特征值的一维特征向量上投影。 那么你所说的崩溃是哪种意义上的崩溃呢？程序死机吗（没道理呀...）？ 【 在 cryppie 的大作中提到: 】 : 我想问一下 : 如果d<c-1，还有子空间吗？还需…”

“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 1. 只考虑PCA 那么不管降到几维都是可以的，对么？ 2 .考虑PCA+LDA 假设降到了d维，那么一般要求d>=c-1，对么？ 倘若d<c-…”

“多谢多谢，好像明白了。 就是说，对每个象素提取出比如8个特征；在这个8维的特征空间中，用比如3高斯拟合概率密度；对新来frame的每个象素，使用bayes后验概率分成两类：前景/背景。是这样么？ 是在应付考试，害怕考到，呵呵：） 【 在 bebekifis 的大作中提到: 】 : 背景学习的时间：GMM模型，在背景建模…”

“第2个问题，就事论事的说 到底怎么做呢？ 线性分类器：对C类问题，构造C个线性函数gi(x),i = 1,...,C 然后哪个gi(x)大就归为哪类 推广到SVM并不直接啊... 【 在 cryppie 的大作中提到: 】 : 用gmm都可以做到97%以上 : 可以用indexing的方法，有点像visual dete…”

“Weierstrass, Kummer...”