Le advierto que SIFT y la coincidencia de plantillas funcionan mucho mejor en objetos rígidos. En última instancia, las coincidencias individuales que se obtienen de estos procesos específicos de punto son débilmente deterministas. Debe poder relacionar una parte significativa de las coincidencias y, cuando los objetos se deforman, no tendrán relaciones consistentes. Los algoritmos de reconocimiento facial también funcionan mejor cuando tienen un registro claro de la cara; cuando tu profesor se enfrenta a la pizarra, no será reconocido. Si está dispuesto a generar una serie de perturbaciones de su imagen original, es posible que pueda entrenar para una CNN, pero las CNN toman una gran cantidad de muestras para converger.
Si su profesor siempre usa la misma ropa, combinaría la plantilla con un histograma de color. Use una ventana deslizante en el mismo sentido que la coincidencia de plantilla estándar, pero compare los histogramas para obtener la mejor coincidencia que exceda algún umbral.
- ¿Por qué el artículo de DeepMind sobre el aprendizaje de refuerzo (jugar juegos de atari) ganó popularidad estelar?
- ¿Por qué la función de activación de softmax se llama "softmax"?
- ¿Qué es un codificador / decodificador en aprendizaje profundo?
- ¿Cuáles son los roles de probabilidad y estadística en el aprendizaje automático? ¿Qué tan importantes son? ¿Cuáles son sus aplicaciones en el aprendizaje automático?
- ¿Cuáles son algunos excelentes boletines semanales de Data Science?