In a Gaussian KDE model, each compo

In a Gaussian KDE model, each component is located on a sample and the only parameter which is required to be estimated is the variance
o2. Fig. 7 illustrates a one dimensional Gaussian KDE for all seven atomic activities considered for interior drywall construction operations.
Here, the KDE is used to model the classification scores obtained from the discriminative classifier of each atomic activity. Because the duration for each atomic activity varies can vary in long RGB-D sequences, we need to model the score of our classifiers for a continuous range of durations. To simplify this, for each atomic activity (c,-), we model a normal distribution for its duration < fa, . To consider a 95% rate in confidence in modeling durations, we choose seven to nine¬teen uniformly distributed time duration steps within the interval [jj^ — 2crk, (Jfc + 2ak]. For each time duration, we obtain scores from every atomic activity classifier (see Fig. 8). Our initial experiments showed that seventeen time durations would yield the best performance (we tested 7 to 19). In the following section, we introduce these atomic activity classifiers.
3.3. Atomic activity classification
We train a discriminative classifier for recognizing each atomic con¬struction activity from each short sequence of RGB-D images [t — 8,t + 6] at frame (t). Our classifiers are based upon body skeleton features, which can provide a highly descriptive set of features for activity recognition. We adopt a bag-of-pose model to statistically model the patterns of these features and recognize the most likely activity being performed in new sequences. Our proposed bag-of-pose model is summarized in Fig. 9 and is described in the following:

Results (Vietnamese) 1:

Trong một mô hình Gaussian KDE, mỗi thành phần nằm trên một mẫu và tham số duy nhất là cần thiết để được ước tính là phương saiO2. Hình 7 minh hoạ một một chiều KDE Gaussian cho tất cả các hoạt động nguyên tử bảy xem xét cho nội thất tường xây dựng hoạt động.Ở đây, KDE được sử dụng để mô hình điểm phân loại thu được từ loại discriminative của mỗi hoạt động nguyên tử. Bởi vì thời hạn cho mỗi hoạt động nguyên tử khác nhau có thể khác nhau trong dài RGB-D chuỗi, chúng ta cần để mô hình số điểm chúng tôi máy phân loại một loạt liên tục của thời gian. Để đơn giản hóa này, cho mỗi hoạt động nguyên tử (c, –), chúng tôi mô hình một phân phối bình thường cho thời gian của nó < fa, . Để xem xét một tỷ lệ 95% trong sự tự tin trong mô hình thời gian, chúng tôi chọn bảy đến nine¬teen phân bố đồng đều thời gian thời gian bước trong khoảng thời gian [jj ^ — 2crk, (Zaragoza + 2ak]. Cho mỗi thời gian, chúng tôi có được điểm số từ mỗi loại hoạt động nguyên tử (xem hình 8). Chúng tôi thử nghiệm ban đầu cho thấy rằng mười bảy thời gian thời gian sẽ mang lại hiệu suất tốt nhất (chúng tôi thử nghiệm 7-19). Trong phần sau đây, chúng tôi giới thiệu các máy phân loại hoạt động nguyên tử.3.3. nguyên tử hoạt động phân loạiChúng tôi đào tạo một loại discriminative công nhận mỗi hoạt động nguyên tử con¬struction từ mỗi chuỗi ngắn các hình ảnh RGB-D [t-8, t + 6] tại khung hình (t). Máy phân loại của chúng tôi được dựa trên tính năng bộ xương cơ thể, mà có thể cung cấp một tập hợp rất mô tả các tính năng cho hoạt động công nhận. Chúng tôi áp dụng một mô hình túi đặt ra để thống kê mô hình mẫu của các tính năng và công nhận các hoạt động rất có thể được thực hiện trong chuỗi mới. Mô hình túi của tư thế được đề xuất của chúng tôi tóm tắt trong hình 9 và được mô tả trong sau đây:

Results (Vietnamese) 2:

Trong một mô hình Gaussian KDE, mỗi thành phần được đặt trên một mẫu và các tham số duy nhất được yêu cầu phải được ước tính là phương sai
o2. Vả. 7 minh họa một KDE Gaussian chiều cho tất cả bảy hoạt động nguyên tử được coi cho các hoạt động xây dựng vách thạch cao nội thất.
Ở đây, KDE được sử dụng để mô hình điểm phân loại thu được từ việc phân loại theo phân biệt của từng hoạt động nguyên tử. Bởi vì thời gian cho mỗi hoạt động nguyên tử khác nhau có thể khác nhau trong trình tự RGB-D dài, chúng ta cần phải mô hình điểm phân loại của chúng tôi cho một phạm vi liên tục trong khoảng thời gian. Để đơn giản hóa này, cho từng hoạt động nguyên tử (c, -), chúng ta mô hình phân phối chuẩn cho thời gian của nó <fa,. Để xem xét một tỷ lệ 95% trong khoảng thời gian tự tin trong mô hình, chúng tôi chọn bảy đến nine¬teen phân bố đều bước thời gian trong khoảng thời gian. [Jj ^ - 2crk, (JFC + 2ak] Đối với mỗi thời gian, chúng tôi có số điểm từ mỗi nguyên tử hoạt động phân loại (xem hình. 8). thí nghiệm ban đầu của chúng tôi cho thấy rằng khoảng thời gian mười bảy lần sẽ mang lại hiệu quả tốt nhất (chúng tôi đã thử nghiệm 7-19). Trong phần dưới đây, chúng tôi giới thiệu các hoạt động phân loại nguyên tử.
3.3. phân loại hoạt động nguyên tử
Chúng tôi đào tạo một phân loại phân biệt đối xử đối với từng hoạt động công nhận con¬struction nguyên tử từ mỗi một chuỗi ngắn của RGB-D hình ảnh [t - 8, t + 6]. ở frame (t) phân loại của chúng tôi được dựa trên các tính năng bộ xương cơ thể, có thể cung cấp một tập hợp cao mô tả các tính năng công nhận hoạt động. Chúng tôi áp dụng một túi-of-pose mô hình để mô hình thống kê các mô hình của các tính năng này và nhận ra những hoạt động rất có thể được thực hiện trong các trình tự mới. chúng tôi đề xuất túi-of-pose mô hình được tóm tắt trong hình. 9 và được mô tả trong phần sau: