OpenImaj教程和EigenFaces

Question

我不知道这是否是一个相关的论坛，但我一直在这里学习本教程：

http://www.openimaj.org/tutorial/eigenfaces.html

因为某种原因，对我来说还不够清楚。有些事情我不明白。上面说过，

实现特征脸识别器的第一步是使用训练图像来学习PCA基础，我们将使用PCA将图像投影到我们可以用于识别的特征中。EigenImages类需要一个图像列表来学习基础(即来自每个人的所有训练图像)，还需要知道我们希望我们的特征是多少个维度(即与最大特征值对应的特征向量有多少个)：

它将编写以下代码：

List<FImage> basisImages = DatasetAdaptors.asList(training);
int nEigenvectors = 100;
EigenImages eigen = new EigenImages(nEigenvectors);
eigen.train(basisImages);

所以我不明白。train()方法培训究竟是什么？据我所知，这只是在应用PCA对吧？在我看来，训练总是与感知器或另一个神经网络或带有参数的算法相关联。

另外，我需要一些帮助来理解练习13.1.1，

13.1.1.练习1:重建面部

特征脸算法(特别是从PCA过程中)提取特征的一个有趣的特点是，可以从特征重构出原始图像的估计值。试着建立上面描述的PCA基础，然后从测试集中提取随机选择的人脸的特征。使用EigenImages#reconstruct()将特性转换回图像并显示出来。您需要对图像(FImage#normalise())进行规范化，以确保其正确显示，因为重建可能会给出大于1或小于0的像素值。

在这些示例中，有一些代码已经提取了这些特性：

    Map<String, DoubleFV[]> features = new HashMap<String, DoubleFV[]>();
    for (final String person : training.getGroups()) {
        final DoubleFV[] fvs = new DoubleFV[nTraining];

        for (int i = 0; i < nTraining; i++) {
            final FImage face = training.get(person).get(i);
            fvs[i] = eigen.extractFeature(face);
        }
        features.put(person, fvs);
    }

所以如果我这么说的话

eigen.reconstruct(fvs[i]).normalise() ->返回一个我可以显示的图像，它看起来像一张正常的脸，但在尺寸上确实很小(这是正常的吗？)

应该这么做吗？

谢谢。

Answer 1

关于第一个问题

常设仲裁院有两个阶段：

1. 学习(“训练”)一种线性变换，将数据投影到低维空间。这样做的方式是，转换空间中的第一轴(主轴)是“训练”数据中方差最大的方向；第二轴是与第一轴直角的最大方差方向，依此类推。
2. 将所学的转换应用于数据(“投影”数据)，以降低其维度。

大多数关于PCA的描述，你会发现，假设你有一些数据，你只是想减少它的维数。更具体地说，假设这两个步骤中的数据是相同的。但是，这并不一定是这样的；您可以对一个有代表性的数据样本执行步骤1来学习转换，然后将步骤2应用于不同的数据(尽管要使结果有意义，这些数据应该来自同一个群体)。

在特征脸的情况下，从部分或全部“训练”人脸数据中学习PCA变换，然后用该变换投影所有训练数据，并训练有监督的分类器。当您想要测试系统时，您可以使用所学的PCA转换将以前未见过的数据项投影到较低维空间中，然后将其传递给分类器。

关于第二个问题

eigen.reconstruct(fvs[i]).normalise()是正确的方法。重建后的图像将与所有用于训练/测试的图像具有相同的维数(特征面方法的一个限制是所有输入必须具有相同的大小)。在本教程中，AT&T面板数据集由相对低分辨率的图像(92x112像素)组成。