A framework that naturally incorpor

A framework that naturally incorporates constraints related to the relationship between the states of a system and the uncertainty in the order in which such states occur, is a Hidden Markov Model (HMM) (51-58). In this paper, we adopt HMM to model and infer a time- series of duration-variable atomic activities for each detected worker from a sequence of RGB-D images. In the following, we briefly review the components of HMM before adapting its terminology to our application.
HMMs are dynamic Bayesian networks characterized by three main probability distributions: prior probabilities, state transition probabilities, and emission probabilities [59,60). Assuming thatX = {x,, x2, *T) is a set of T states (hidden or unobserved), and 0 =
{O], o2 or) is a set of Kpossible outcomes for Tstates (also known
as emissions or observations) where the distribution of ot only depends on A',, and xt only depends on xt _ 1, we denote HMM as a 3-tuple X — {A, B, n} where J7 = {rr,} is the vector of initial state probabilities with occurrence rate of each activity, and A = {a¡j} is the state transition prob¬ability matrix that stores the probabilities of transitioning from state x¡

Results (Vietnamese) 1:

Một khuôn khổ tự nhiên kết hợp khó khăn liên quan đến mối quan hệ giữa các tiểu bang của một hệ thống và không chắc chắn trong thứ tự trong đó kỳ như vậy xảy ra, là một ẩn Markov mô hình (HMM) (51-58). Trong bài này, chúng tôi áp dụng HMM mẫu và suy ra một chuỗi thời gian hoạt động nguyên tử biến thời gian cho mỗi công nhân được phát hiện từ một chuỗi các RGB-D hình ảnh. Năm sau, chúng tôi một thời gian ngắn xem xét các thành phần của HMM trước khi điều chỉnh thuật ngữ để ứng dụng của chúng tôi.HMMs là năng động mạng Bayes được đặc trưng bởi ba phân bố xác suất chính: trước khi xác suất, nhà nước chuyển tiếp xác suất, và xác suất phát thải [59,60). Giả sử thatX = {x, x 2, * T) là một tập hợp các T kỳ (ẩn hoặc unobserved) và các 0 ={O], o2 or) là một tập hợp các kết quả Kpossible cho Tstates (còn gọilà phát thải hoặc quan sát) nơi bản phân phối của ot chỉ phụ thuộc trên A',, và xt chỉ phụ thuộc vào xt _ 1, chúng tôi biểu thị HMM là một X 3-tuple — {A, B, n} nơi J7 = {rr,} là vector xác suất ban đầu nhà nước với sự xuất hiện tỷ lệ của mỗi hoạt động, và A = {a¡j} là ma trận prob¬ability quá trình chuyển đổi tiểu bang mà các cửa hàng các xác suất của chuyển tiếp từ tiểu bang x¡

Results (Vietnamese) 2:

Một khuôn khổ mà tự nhiên kết hợp hạn chế liên quan đến mối quan hệ giữa các quốc gia trong một hệ thống và sự không chắc chắn trong trật tự trong đó các quốc gia như vậy xảy ra, là một mô hình Markov ẩn (HMM) (51-58). Trong bài báo này, chúng tôi áp dụng HMM để mô hình và suy luận một loạt các hoạt động tốn nhiều thời gian của nguyên tử thời gian biến cho mỗi công nhân được phát hiện từ một chuỗi hình ảnh RGB-D. Sau đây, chúng tôi một thời gian ngắn lại các thành phần của HMM trước khi thích nghi ngữ của mình để ứng dụng của chúng tôi.
HMMs là mạng Bayesian năng động đặc trưng bởi ba phân phối chính xác: xác suất trước, xác suất chuyển trạng thái, và xác suất phát xạ [59,60). Giả sử thatX = {x ,, x2, * T) là một tập hợp của T bang (ẩn hoặc không quan sát được), và 0 =
{O], hoặc o2) là một tập hợp các kết quả cho Kpossible Tstates (còn được gọi
là khí thải hoặc quan sát) nơi phân bố của ot chỉ phụ thuộc vào A ',, và xt chỉ phụ thuộc vào xt _ 1, chúng ta biểu HMM là một 3-tuple X - {A, B, n} nơi J7 = {rr,} là vector của ban đầu xác suất nhà nước với tỷ lệ xuất hiện của từng hoạt động, và A = {} a¡j là trạng thái ma trận prob¬ability chuyển tiếp lưu trữ các xác suất chuyển từ trạng thái x¡