下面对特征人脸算法描述不正确的是（ ）
A: 特征人脸方法是一种应用主成份分析来实现人脸图像降维的方法
B: 特征人脸方法是用一种称为“特征人脸(eigenface)”的特征向量按照线性组合形式来表达每一张原始人脸图像
C: 每一个特征人脸的维数与原始人脸图像的维数一样大
D: 特征人脸之间的相关度要尽可能大
A: 特征人脸方法是一种应用主成份分析来实现人脸图像降维的方法
B: 特征人脸方法是用一种称为“特征人脸(eigenface)”的特征向量按照线性组合形式来表达每一张原始人脸图像
C: 每一个特征人脸的维数与原始人脸图像的维数一样大
D: 特征人脸之间的相关度要尽可能大
举一反三
- 下面对特征人脸算法描述不正确的是（ ）? 特征人脸之间的相关度要尽可能大|每一个特征人脸的维数与原始人脸图像的维数一样大|特征人脸方法是一种应用主成份分析来实现人脸图像降维的方法|特征人脸方法是用一种称为“特征人脸(eigenface)”的特征向量按照线性组合形式来表达每一张原始人脸图像
- 下面对特征人脸算法描述不正确的是（ ） A: 特征人脸方法是一种应用主成分分析来实现人脸图像降维的方法 B: 特征人脸方法是用一种称为“特征人脸(eigenface)”的特征向量按照线性组合形式来表达每一张原始人脸图像 C: 每一个特征人脸的维数与原始人脸图像的维数一样大 D: 特征人脸之间的相关度要尽可能大
- 下面对特征人脸算法描述不正确的是（ ） A: 特征人脸算法是一种应用主成分分析来实现人脸图像降维的方法 B: 特征人脸方法是用一种称为“特征人脸”的特征向量按照线性组合形式来表达每一张原始人脸图像 C: 每一个特征人脸的维数与原始人脸的维数一样大 D: 特征人脸之间的相关度要尽可能大
- 下面对主成分分析和特征人脸描述不正确的是（ ） A: 主成份分析方法是一种保证数据被投影后方差最大的特征降维方法 B: 在主成份分析的降维过程中，尽可能将数据向方差最大方向进行投影，使得数据所蕴含信息没有丢失，彰显个性 C: 特征人脸方法是一种应用主成份分析来实现人脸图像降维的方法，其本质是用一种称为“特征人脸(eigenface)”的特征向量按照线性组合形式来表达每一张原始人脸图像，进而实现人脸识别 D: 假设原始灰度人脸图像维度是n*n，则特征人脸的维度是其一半
- 特征人脸方法的本质是用称为“特征人脸”的特征向量按照线性组合形式表达每一张原始人脸图像。（ ） A: 对 B: 错