Глубокие ламбертовские сети - Deep lambertian networks

Эта статья поднимает множество проблем. Пожалуйста помоги Улучши это или обсудите эти вопросы на страница обсуждения. (Узнайте, как и когда удалить эти сообщения-шаблоны) Эта статья нужны дополнительные цитаты для проверка. Пожалуйста помоги улучшить эту статью к добавление цитат в надежные источники. Материал, не полученный от источника, может быть оспорен и удален. Найдите источники: «Глубокие ламбертовские сети»  – Новости  · газеты  · книги  · ученый  · JSTOR (Апрель 2014 г.) (Узнайте, как и когда удалить этот шаблон сообщения) Эта статья может быть слишком техническим для большинства читателей, чтобы понять. Пожалуйста помогите улучшить это к сделать понятным для неспециалистов, не снимая технических деталей. (Апрель 2014 г.) (Узнайте, как и когда удалить этот шаблон сообщения) Эта статья является сирота, как никакие другие статьи ссылка на это. Пожалуйста ввести ссылки на эту страницу из Статьи по Теме; попробуйте Инструмент поиска ссылок для предложений. (Январь 2017 г.) (Узнайте, как и когда удалить этот шаблон сообщения)

Глубинные ламбертианские сети (DLN) ^[1] это комбинация Сеть глубоких убеждений и Предположение о ламбертовской отражательной способности в котором рассматриваются проблемы, связанные с изменением освещения в визуальном восприятии. Модель ламбертовского отражения дает инвариантное представление освещения, которое можно использовать для распознавания. Модель коэффициента отражения Ламберта широко используется для моделирования вариаций освещенности и является хорошим приближением для поверхностей рассеянных объектов. DLN - это гибридная неориентированно-направленная генеративная модель, которая объединяет DBN с моделью отражательной способности Ламберта.

В DLN видимый слой состоит из яркости пикселей изображения v ∈ R^N_v, где N_v количество пикселей в изображении. На каждый пиксель i приходится два скрытые переменные а именно альбедо и нормальная поверхность. GRBM используются для моделирования альбедо и нормалей поверхности.

Комбинируя Deep Belief Nets с предположением об отражательной способности Ламберта, модель может определить хорошие априорные значения альбедо из 2D-изображений. Вариации освещенности можно объяснить изменением только скрытой переменной освещения. Путем передачи полученных знаний от похожих объектов также возможна оценка альбедо и нормалей поверхности из одного изображения. Эксперименты показывают, что эта модель может как обобщать, так и улучшать стандартные базовые показатели за один прием. распознавание лица.

Модель успешно применяется при реконструкции теней изображения лица при любых условиях освещения. Модель также тестировалась на неживых объектах. Этот метод превосходит большинство других методов и быстрее их.

Рекомендации

Этот Информатика статья - это заглушка. Вы можете помочь Википедии расширяя это.