The state and transition probabilit

The state and transition probabilities needed for this HMM model can be easily learned using annotated training data. For training the emission probability density function, we use our atomic activity recognition classifier on the short sequence data with ground-truth labels. For each activity class, we modeled a normal distribution for the durations < ¿/fc, Ok > and stored classification scores for the range of possible durations for each atomic activity [(Jn — 2an, (i,, + 2crn], which guarantees a 95% rate of confidence. At the inference stage, for each frame, we break down the 4a range to a set of various durations per activity into seventeen steps. Among all steps, we only store the maximum classification score and use that as our observation variable. This strategy allows our model to cope with variable-duration activities.

Results (Vietnamese) 1:

Nhà nước và chuyển tiếp các xác suất cần thiết cho mô hình HMM này có thể được học được một cách dễ dàng bằng cách sử dụng dữ liệu đào tạo chú thích. Đào tạo hàm mật độ xác suất phát thải, chúng tôi sử dụng của chúng tôi hoạt động nguyên tử công nhận loại trên dữ liệu chuỗi ngắn với mặt đất-thật nhãn. Cho mỗi lớp hoạt động, chúng tôi làm người mẫu một phân phối bình thường cho thời gian < ¿/ fc, Ok > và lưu trữ phân loại điểm số cho phạm vi thời gian có thể cho mỗi hoạt động nguyên tử [(Jn — 2an, (i,, + 2crn], mà đảm bảo một tỷ lệ 95% của sự tự tin. Ở giai đoạn suy luận, cho mỗi khung, chúng tôi phá vỡ dãy 4a cho một tập hợp của các thời hạn khác nhau cho mỗi hoạt động vào mười bảy bước. Trong số tất cả các bước, chúng tôi chỉ lưu trữ được điểm tối đa phân loại và sử dụng như là biến quan sát của chúng tôi. Chiến lược này cho phép chúng tôi mẫu để đối phó với biến thời gian hoạt động.

Results (Vietnamese) 2:

Các xác suất trạng thái và quá trình chuyển đổi cần thiết cho mô hình HMM này có thể dễ dàng học cách sử dụng dữ liệu huấn luyện được chú thích. Đối với đào tạo các hàm mật độ xác suất phát xạ, chúng tôi sử dụng nguyên tử phân công nhận hoạt động của chúng tôi trên các dữ liệu chuỗi ngắn với nhãn mặt đất thật. Đối với mỗi lớp hoạt động, chúng ta mô hình hóa một phân phối chuẩn cho thời lượng <¿/ fc, Ok> và điểm số phân loại lưu trữ trong phạm vi những khoảng thời gian nhất có thể cho từng hoạt động nguyên tử [(Jn - 2an, (i ,, + 2crn], mà đảm bảo một tỷ lệ 95% của sự tự tin. Ở giai đoạn suy luận, đối với mỗi khung, chúng ta phá vỡ khoảng 4a cho một tập hợp các khoảng thời gian khác nhau cho mỗi hoạt động vào mười bảy bước. Trong số tất cả các bước, chúng tôi chỉ lưu trữ tối đa số điểm phân loại và sử dụng như chúng tôi biến quan sát. Chiến lược này cho phép mô hình của chúng tôi để đối phó với các hoạt động biến-thời gian.