|
关注：1
2013-05-23 12:21
求翻译：In Phase 1 we distinguish micro-expressions from other facial data. As for the YorkDDT corpus, we randomly selected 77 image sequences of the data that did not contain facial micro-expressions but could contain other facial movement. By running an SVM on this data we achieve 70.3% micro-expression detection accuracy. U是什么意思？ 待解决
 悬赏分：1
- 离问题结束还有
In Phase 1 we distinguish micro-expressions from other facial data. As for the YorkDDT corpus, we randomly selected 77 image sequences of the data that did not contain facial micro-expressions but could contain other facial movement. By running an SVM on this data we achieve 70.3% micro-expression detection accuracy. U
问题补充： |
|
2013-05-23 12:21:38
在第一阶段，我们区分微表情从其他面部数据。作为yorkddt语料库，我们随机挑选77图像不含有面部微表情，但可以含有其它面部运动数据的序列。通过对这些数据运行的SVM我们实现了70.3％微表情检测精度。使用MKL我们小幅提升我们的业绩。最高改善至74.3％是通过使用随机森林决策树分类器一起添到10帧来实现。在第2阶段，我们公认的微表情归类为阴性与阳性分别使用18和17个样品。与SVM只有我们实现了54.2％（50％几率）一个比较差的精度。然而，通过将MKL和时间内插，我们提高了结果的71.4％。
|
|
2013-05-23 12:23:18
阶段1我们与其他面部数据区别微型表示。关于YorkDDT语科库，我们任意地选择了没有包含面部微型表示数据的77个图象序列，但是可能包含其他面部运动。通过跑在这数据的SVM我们达到70.3%微型表示侦查准确性。使用MKL我们有一点改进我们的结果。最高的改善到74.3%有所通过使用任意森林判定树量词与10个框架的蒂姆一起。
|
|
2013-05-23 12:24:58
正在翻译，请等待...
|
|
2013-05-23 12:26:38
在阶段 1 中我们区分微表情从面部的其他数据。至于 YorkDDT 语料库，我们随机选择 77 图像序列中的数据不包含面部微表情，但可以包含其他面部运动。通过对此数据运行支持向量机我们达到 70.3%微表情检测精度。我们使用 MKL 略有改善我们的结果。最高提高至 74.3%被通过使用随机森林决策树分类器每与蒂姆到 10 帧。在第二阶段我们将分类认可的微观表达式作为负面与正面分别使用 18 和 17 的样本。与支持向量机只有我们实现相当差精度的 54.2%(50%的机会）。但是，通过采用 MKL 和时间插值我们改善结果到 71.4%。
|
|
2013-05-23 12:28:18
在阶段1我们与其他面部数据区别微表示。 关于YorkDDT语科库，我们任意地选择了没有包含面部微表示数据的77个图象序列，但可能包含其他面部运动。 通过跑SVM在这数据我们达到70.3%微表示侦查准确性。 使用MKL我们轻微地改进我们的结果。 最高的改善到74.3%通过使用任意森林判定树量词达到与TIM一起对10个框架。 在阶段2我们分类被认可的微表示作为阴性对 正面使用各自18个和17个样品。 与SVM只有我们达到54.2% 50%机会的相当恶劣的 (准确性)。 然而，经过合并MKL和世俗插值法我们改进结果到71.4%。
|
湖北省互联网违法和不良信息举报平台 | 网上有害信息举报专区 | 电信诈骗举报专区 | 涉历史虚无主义有害信息举报专区 | 涉企侵权举报专区
