bayesiantangentshapemodelforfacealignment内容摘要：
EM(2/3) • 核心思想： –根据已有的数据来递归估计似然函数。 • 给定一个样本集 ，假定其中的一些特征丢失了，即 ， 表示丢失的特征。 则这些不同的特征可以用两个集合表示即 和。 • 似然函数 1{ , ..., }nD x x{ , }k kg kbx x x kbxgD bD11 1(。 ) [ l n (。 ) |。 ] ... l n ( | ) ( |。 ) ...biiD g b gnnik k b k g b nbk kQ E p D D Dp x p x x dx x EM(3/3) • 算法 begin initialize do E步：计算 M步： until return end 0 , , 0Ti 1ii(。 )iQ 1 a r g m a x (。 )iiQ 11(。 ) (。 )i i i iQ Q T 1ˆ i Abstract • 本文提出了一种基于切形状估计的贝叶斯推断方法，即 BTSM。 • 相似变换系数与形状参数均通过最大后验估计获得。 • 切形状的更新由两个形状向量的加权完成，即观察形状向量在切空间的投影以及由形状参数通过 PCA重建所构成的形状向量。 • 形状参数通过乘上一噪声变化比率进行调整，这样可将截断函数转换成连续函数。 Abstract 切空间 (1。阅读剩余 0%
本站所有文章资讯、展示的图片素材等内容均为注册用户上传(部分报媒/平媒内容转载自网络合作媒体)，仅供学习参考。
用户通过本站上传、发布的任何内容的知识产权归属用户或原始著作权人所有。如有侵犯您的版权，请联系我们反馈本站将在三个工作日内改正。