Sama laaja johtopäätös voidaan tehdä toisella tavalla: Toistaiseksi meidän painopiste on ollut pitkälti data-driven tai alhaalta ylöspäin käsittelyä. Eli olemme keskustelleet siitä, miten tulevan tiedon ("tiedot") laukaisee vasteen ominaisuus ilmaisimet, mikä puolestaan laukaisee vasteen kirjeellä-ilmaisimet (tai Geon-ilmaisimet), ja niin edelleen. Tiedot tehdä aloitteen; tiedot saada asiat menossa. On kuitenkin syytä uskoa, että on muutakin hahmontunnistuksen kuin tämä. Hahmontunnistus vaikuttaa myös laaja kuvio tiedon ja odotuksia.
Nämä vaikutukset ovat yleensä kutsutaan konsepti-odotuksiin, tai yhteen alas. Mallit, jotka sisältävät sekä ylhäältä Dawn ja alhaalta ylös komponentteja kuvataan vuorovaikutteisia models.The tiedot edellisessä jaksossa ilmoitettu joitakin rajoja itsessään täydellinen, data-driven malleja; tässä on toinen tapa tehdä sama yleinen piste: Voimme kertoa aiheita: "Olen aikeissa näyttää sanan hyvin lyhyesti tietokoneen näytöllä, sana on nimi jotain, voit syödä." Jos me pakko aiheita arvata sana tässä vaiheessa, he olisivat todennäköisesti nimetä kohde sana.
Mutta jos me nyt tachistoscopically osoittavat sana, '' artisokkaa, '' olemme todennäköisesti tarkkailla suuri esikäsittely-eli aiheet ovat todennäköisemmin tunnistaa "Artisokka" tällä cue kuin ne olisivat olleet ilman oppia.
Piditkö tämä artikkeli? Voit kirjoittaa artikkeleita, kuten tämä ja tehdä rahaa siitä. On vapaasti liittyä ja voit ansaita rahaa verkossa heti sign-up. Klikkaa linkkiä Sign-up Bukisa.com ja alkaa tehdä hyviä rahaa Internetissä. Enemmän sisältöä Webissä Spill Guy: How to Make Money Online < p> Tee Jäljellä Tuotot kanssa eHow
Interaktiivinen mallit hahmontunnistuksen: Osa 2 3