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 recog¬nition 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 dura¬tions 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 classifi¬cation score and use that as our observation variable. This strategy al¬lows 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 recog¬nition 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 có thể dura¬tions 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 classifi¬cation và sử dụng như là biến quan sát của chúng tôi. Al¬lows chiến lược này mô hình của chúng tôi 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 loại hoạt động recog¬nition 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> điểm phân loại và lưu trữ trong phạm vi của dura¬tions thể cho từng hoạt động nguyên tử [(Jn - 2an, (i ,, + 2crn], đảm bảo tỷ lệ 95% của sự tự tin. Ở giai đoạn suy luận, đối với mỗi khung, chúng ta phá vỡ khoảng 4a đến 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 số điểm tối đa và classifi¬cation sử dụng như là biến quan sát của chúng tôi. Chiến lược này al¬lows mô hình của chúng tôi để đối phó với các hoạt động biến-thời gian.