Faceprint y Feature Vector en mening popular no son siempre lo mismo (pero a veces sí).
Para mi perspectiva, Faceprint es una descripción única de la cara de un pueblo, que luego se puede usar para compararlo con otras personas. En pocos años, se crearon muchos tipos de Faceprint ogf. La más fácil es solo una imagen (que podemos comparar con otras en el espacio RGB), que es un vector de características multidimensionales.
El siguiente es la posición relativa de los puntos faciales (por ejemplo, 68 puntos que describen la forma de la cara). De él podemos extraer algunas características únicas, como:
- ¿Qué tan complejo debe hacer un corrector ortográfico básico a través del procesamiento del lenguaje natural para verificar los nombres de los hoteles?
- ¿Cuál es la utilidad de la normalización por lotes en una red neuronal convolucional muy profunda?
- ¿Cómo podemos "entrenar" sistemáticamente los algoritmos de agrupación sobre qué combinaciones de atributos / características generan en última instancia los tipos deseados de agrupaciones?
- ¿Cuál es el método para encontrar la parte no reconocida de los resultados del aprendizaje automático y complementarla para alcanzar el 100%?
- ¿Cuál es la diferencia entre un vector de pensamiento y un vector de omisión de pensamiento?
- distancia entre los ojos
- ancho de la nariz
- la forma de los pómulos
- la longitud de la línea de la mandíbula
Teniendo tales valores, creamos un vector con esta característica, que se llama FacePrint. Era un método muy popular antes de usar cualquier extractor de funciones como SIFT o Deep Learning.
Pero actualmente la mayor parte de la técnica de reconocimiento facial utiliza el extractor de características, que solo genera el vector de características sin ningún procesamiento posterior.
Entonces, si llamamos a cada vector numérico como Vector de funciones, entonces cada Vector de funciones es FacePrint. Pero si te refieres a Feature Vector como una salida del algoritmo de Machine Learning, entonces no es cierto.