El método PCA se aplicó en el primer método exitoso de reconocimiento facial: Eigenfaces. Sin embargo, actualmente se usan principalmente para la reducción de dimensiones y, al contrario de algunas respuestas, todavía se usan mucho. La pregunta principal aquí es cómo desea separar nuestros datos, maximizando la variabilidad (PCA) o maximizando la distancia entre clases.
Si te tomas muy en serio eso, un buen método basado en LDA es la Formulación Bayesiana Conjunta, propuesta en este gran artículo de Microsoft:
http://www.msr-waypoint.com/pubs…
El objetivo de ellos es crear caras agrupadas de cada persona que estén distanciadas entre sí, minimizando así la distancia dentro de los descriptores de cada persona y maximizando las distancias entre clases.
- ¿Es útil el modelo jerárquico bayesiano en la industria o las finanzas?
- ¿Qué tipos de imágenes se usan generalmente para la clasificación del uso del suelo?
- ¿Cómo y cuándo comenzaste con Kaggle?
- ¿Cuál es la diferencia entre una curva ROC y una curva de recuperación de precisión? ¿Cuándo debo usar cada uno?
- ¿Qué es la divergencia contrastante?
Hice una publicación sobre eso en mi blog también, en la que te gustaría echar un vistazo:
Reducción de dimensionalidad en grandes conjuntos de datos.
Finalmente, para responderle más directamente, generalmente se realiza un PCA antes de un LDA / PLS y el LDA / PLS es mucho mejor para separar los datos en el caso del reconocimiento facial.