Я немного не понял: чтобы провести транзакцию необходимо каждый раз открывать окно добавления транзакции? Если так, то, например, ввод чека продуктов превратится в пытку (у меня детализация по продуктам).
я просто занимаюсь обработкой изображений лиц, поэтому интересно. я так понимаю, этот метод можно будет использовать, когда лицо выделяется по яркости на изображении?:)
Спасибо, очень интересно. А как насчет инвариантности к освещению? И еще, если можно, этот алгоритм можно применять для любых классов? Или есть какие-то требования?
Вот как раз здесь и открывается самый главный недостаток СММ. Эти модели не могут отсечь часть классов, как неподходящие, метод показывает лишь, какая из моделей подходит больше. Возвращаясь, к вашим примерам:
1. «Например СММ1 дал 5% а СММ2 дал 3%, то есть рисунок не похож ни на лицо ни на что иное». С точки зрения СММ на рисунке будет лицо
2. аналогично
Следующее, возможно, не совсем относится к вопросу, но все же поясню.
В моей работе реализовано несколько иначе. Во-первых, на изображениях ищутся лица с помощью классификаторов Хаара. Данный метод показывает довольно большую точность для лиц. Если результат был положительным — следовательно, на изображении присутствуют лица (на этом же этапе получаем и местоположение лиц, что отсекает ненужные шумы). Далее, у нас есть некоторое число натренированных моделей (в терминах поиска по дереву — это ключи). И уже следующим этапом находятся степени соответствия найденных изображений лиц и данных моделей-ключей.
что Вы имеете ввиду под порогом распознавания?
Число скрытых состояний выбиралось, как указано на рисунке. Т.е. 5 суперсотояний, соответственно 3, 6, 6, 6, 3 вложенных. Эти числа являются устоявшимися в задачах распознавания лиц на основе СММ. Опытным путем было установлено (не мной), что такой выбор является одним из самых оптимальных (если не самым оптимальным).
На первом этапе отсекается положенные 90-95% выборки. На втором этапе — уточняющем поиске — используется сравнение гистограмм, процент правильного определения составляет порядка 90%. К сожалению, остались некоторые моменты, из-за которых остается достаточно высокий процент ошибки. Например, тот же уточняющий поиск, а также, что самое главное, нормирование расстояния между двумя моментами.
Да, само собой, есть. К сожалению, не в Mathlab. Реализация данной теории является модулем к системе поиска. Этот модуль, в частности, позволяет искать лица в коллекциях изображений. Используется библиотека OpenCV.
1. «Например СММ1 дал 5% а СММ2 дал 3%, то есть рисунок не похож ни на лицо ни на что иное». С точки зрения СММ на рисунке будет лицо
2. аналогично
Следующее, возможно, не совсем относится к вопросу, но все же поясню.
В моей работе реализовано несколько иначе. Во-первых, на изображениях ищутся лица с помощью классификаторов Хаара. Данный метод показывает довольно большую точность для лиц. Если результат был положительным — следовательно, на изображении присутствуют лица (на этом же этапе получаем и местоположение лиц, что отсекает ненужные шумы). Далее, у нас есть некоторое число натренированных моделей (в терминах поиска по дереву — это ключи). И уже следующим этапом находятся степени соответствия найденных изображений лиц и данных моделей-ключей.
Число скрытых состояний выбиралось, как указано на рисунке. Т.е. 5 суперсотояний, соответственно 3, 6, 6, 6, 3 вложенных. Эти числа являются устоявшимися в задачах распознавания лиц на основе СММ. Опытным путем было установлено (не мной), что такой выбор является одним из самых оптимальных (если не самым оптимальным).