represent these activities. Fig. 10

represent these activities. Fig. 10 illustrates the codebook formation process. In this figure, the pose skeleton extracted for each frame is assigned to one of the pose words.
A total of 750 cluster centers are considered for the best atomic activity recognition performance. A grid-based search with various num¬bers of cluster centers from 50 to 800 with increment size of 50 was executed to find the optimum number of cluster centers which can creates the best representative pose codebook for our dataset. The effect of the codebook size (the number of pose code words) on the accuracy of our atomic activity classifiers is empirically evaluated in Section 5.
3.3.2. Learning and inferring atomic activities
To learn a specific model for each atomic activity categoiy, a multiclass one-vs-all Support Vector Machine (SVM) classifier is introduced. The SVM is a discriminative machine learning algorithm which is based on the structural risk minimization induction principle [64]. Thus, for every atomic activity class c„ e C, we train a binary SVM classifier using given training data {p„ qi) where p,- e Ptrain and possible labels are q, — {+1,-1}. The presence of noise and occlusions - typical in construction site video streams - produces outliers in the SVM

Results (Vietnamese) 1:

đại diện cho các hoạt động này. Hình 10 mô tả quá trình hình thành DEFCON. Trong hình này, bộ xương gây ra chiết xuất cho mỗi khung được gán cho một trong các từ tư thế.Tổng số 750 cụm trung tâm được coi là cho hiệu suất tốt nhất công nhận hoạt động nguyên tử. Tìm kiếm dựa trên lưới với num¬bers khác nhau của Trung tâm cụm từ 50 đến 800 với tăng kích thước của 50 đã được thực hiện để tìm số tối ưu của Trung tâm cụm sao mà có thể tạo ra DEFCON đại diện tư thế tốt nhất cho bộ dữ liệu của chúng tôi. Tác dụng của kích thước DEFCON (số đặt ra mã từ) về tính chính xác của chúng tôi máy phân loại hoạt động nguyên tử được empirically đánh giá trong phần 5.3.3.2. học tập và suy luận hoạt động nguyên tửĐể tìm hiểu một mô hình cụ thể cho mỗi categoiy hoạt động nguyên tử, một loại hỗ trợ Vector Machine (SVM) vs một tất cả multiclass được giới thiệu. SVM là một máy discriminative học thuật toán mà dựa trên nguyên tắc cảm ứng giảm thiểu nguy cơ cấu trúc [64]. Vì vậy, cho mỗi nguyên tử hoạt động lớp c"e C, chúng tôi đào tạo một loại SVM nhị phân bằng cách sử dụng dữ liệu nhất định đào tạo {p" qi) nơi p,-e Ptrain và có thể nhãn là q, — {+ 1, -1}. Sự hiện diện của tiếng ồn và occlusions - điển hình trong xây dựng trang web video trực tuyến - sản xuất outliers trong SVM

Results (Vietnamese) 2:

đại diện cho các hoạt động này. Vả. 10 minh họa quá trình hình thành codebook. Trong hình này, bộ xương pose trích cho mỗi khung hình được gán cho một trong các từ tư thế.
Tổng cộng có 750 trung tâm cụm được xem xét để công nhận việc thực hiện các hoạt động nguyên tử tốt nhất. Một tìm kiếm dựa trên lưới điện với num¬bers khác nhau của các trung tâm cụm 50-800 với kích thước tăng 50 đã được thực hiện để tìm ra số lượng tối ưu của các trung tâm cụm mà có thể tạo ra các đại diện tốt nhất đặt ra codebook cho bộ dữ liệu của chúng tôi. Ảnh hưởng của kích thước codebook (số lượng từ mã tư thế) về tính chính xác của các phân loại hoạt động nguyên tử của chúng tôi được thực nghiệm đánh giá tại mục 5.
3.3.2. Học tập và suy luận về các hoạt động nguyên tử
Để tìm hiểu một mô hình cụ thể cho từng hoạt động categoiy nguyên tử, một nhiều lớp một-vs-tất cả Support Vector Machine (SVM) phân loại được giới thiệu. SVM là một máy học thuật toán phân biệt đối xử dựa trên cấu trúc giảm thiểu nguy cơ cảm ứng nguyên tắc [64]. Như vậy, đối với mỗi nguyên tử hoạt động lớp c "e C, chúng tôi đào tạo một phân loại SVM nhị phân sử dụng cho dữ liệu huấn luyện {p" qi) trong đó p, - e Ptrain và nhãn có thể là q, - {+ 1, -1}. Sự hiện diện của tiếng ồn và occlusions - điển hình trong dòng video trang web xây dựng - sản xuất giá trị ngoại lai trong SVM