¿Cuál es la forma más eficaz de rellenar la matriz de entrenamiento del PCA para las caras propias?

Question

Estoy experimentando con el algoritmo de eigenfaces, y no tengo claros algunos de los puntos más finos de la técnica. Para empezar, considere la matriz de imágenes utilizada para hacer el ACP inicial. ¿Es "mejor" tener sólo imágenes de diferentes individuos en esa matriz? ¿O es útil incluir varias imágenes del mismo individuo?

Algunas de las implementaciones de demostración que he visto parecen utilizar sólo una imagen por individuo. Otras utilizan más de una (y, por lo general, éstas parecen tener N imágenes de muestra por individuo en lugar de variar el tamaño de las muestras). El documento que describe el algoritmo parece sugerir que las imágenes múltiples podrían producir resultados más precisos.

Intuitivamente, parece que las imágenes múltiples de una misma persona tenderían a debilitar los resultados del PCA. Por ejemplo, si tuviera 100 imágenes en las que 90 fueran de la misma persona, los componentes principales se centrarían más en distinguir entre esas 90 imágenes de la misma persona que en distinguirla de los otros 10 individuos. ¿No es así?

¿Se sigue aplicando el mismo razonamiento cuando hay un número uniforme de imágenes de muestra por individuo? Si no es así, ¿hay alguna directriz sobre cómo equilibrar el número de muestras por individuo con el número total de imágenes de entrenamiento?

Answer 1

¡Kaelin Colclasure!

Sí, tienes razón, el PCA funciona de tal manera que si tienes más muestras de una persona, es más probable que produzca caras propias que se parezcan a esa persona. Sin embargo, si se utiliza el mismo número de muestras para cada persona, se obtendrían caras propias para todas ellas sin necesidad de un previo. Y en este caso, si se dan más muestras, se obtendrían eigenfaces mucho más estables e incluso se obtendrían componentes para describir algunas características específicas de las imágenes.

Así que te aconsejo que tomes tantas muestras de una persona como puedas, pero equilibra el número de muestras de cada tipo. Y esto se aplica no sólo a las imágenes de una persona, sino a las de un hombre y una mujer, por ejemplo (si quieres tratar con imágenes de hombres y mujeres, por supuesto).