4.2. Performance evaluation measure

4.2. Performance evaluation measures
To quantify and benchmark the performance of the activity recognition algorithm, we plot the precision-recall curves and study the confusion matrix. These metrics are extensively used in the computer vision and information retrieval communities as standard evaluation metrics. We refer the reader to [66,69,70] for more details on these metrics.
5. Results and discussions
To evaluate the performance of our algorithm, we separately conducted numerous experiments both on atomic activity recognition and long sequence activity recognition to find the optimum parameters and the highest possible accuracies. For training/inferring atomic activities using SVM and using HMM, we used the LIBSVM [64] and HMM/ KDE [67,68] open source packages. The results are reported based on 5-fold cross validated evaluations and various validation metrics mentioned above are used to discuss the algorithm performance in addition to address the advantages, limitations and potential improvement opportunities for the method:
5.1. Performance of the atomic activity recognition classifiers
There are two main parameters in atomic activity recognition that should be optimized to obtain the best result: 1) the number of cluster centers in pose codebook generation and 2) the SVM kernel to maintain a linearly separable dataset. In order to find the best cluster center number, a grid-based search is executed on a wide range of values from 200 to 800 centers with a 50-center increment [200: 50 : 800], Cluster centers are the pose code words that represent the entire poses in our dataset. The more the number of cluster centers, the more expressive our codebook will be however, after exceeding a certain number of clusters, the algorithm becomes saturated to the target function and the ac¬curacy drops significantly. Fig. 12 illustrates obtained accuracies for various number of pose code words using histogram intersection kernel for the one-vs.-all SVM classifiers. As shown, two peaks can be identified in the graph at 300 and 750 clusters corresponding to respective accuracies of 80.51% and 84.6%. Considering the first peak as a local maxima and the second one as the global maxima; there is a considerable tradeoff in terms of accuracy versus computational cost. The greater the number of clusters, the more expensive the computational cost will be, and for roughly 4% increase in the accuracy, the computational

Results (Vietnamese) 1:

4.2. thực hiện các biện pháp đánh giáĐể định lượng và điểm chuẩn hiệu suất của các thuật toán công nhận hoạt động, chúng ta vẽ các đường cong chính xác-thu hồi và nghiên cứu ma trận sự nhầm lẫn. Các số liệu được sửa sử dụng rộng rãi như là tiêu chuẩn đánh giá số liệu, trong máy tính tầm nhìn và cộng đồng thông tin tra cứu. Chúng tôi là người đọc để [66,69,70] thêm chi tiết về các số liệu này.5. kết quả và thảo luậnĐể đánh giá hiệu suất của thuật toán của chúng tôi, chúng tôi một cách riêng biệt tiến hành nhiều thí nghiệm cả hai nguyên tử hoạt động công nhận và dài chuỗi hoạt động công nhận để tìm các thông số tối ưu và phàm có thể cao nhất. Đối với đào tạo/suy luận nguyên tử hoạt động bằng cách sử dụng SVM và sử dụng HMM, chúng tôi sử dụng LIBSVM [64] và HMM / KDE [67,68] nguồn mở gói. Kết quả báo cáo dựa trên các 5-fold đánh giá qua xác nhận và các số liệu xác nhận đã nói ở trên được sử dụng để thảo luận về việc thực hiện thuật toán ngoài địa chỉ các lợi thế, giới hạn và cải thiện cơ hội tiềm năng cho các phương pháp:5.1. hiệu suất của máy phân loại công nhận hoạt động nguyên tửCó hai tham số chính trong hoạt động nguyên tử nhận dạng nên được tối ưu hóa để có được kết quả tốt nhất: 1) số cụm trung tâm trong tư thế DEFCON thế hệ và 2) hạt nhân SVM để duy trì một tập dữ liệu phân chia tuyến tính. Để tìm số Trung tâm cụm tốt nhất, một mạng lưới dựa trên tìm kiếm được thực hiện trên một loạt các giá trị từ 200 đến 800 Trung tâm với một tăng 50-Trung tâm [200: 50: 800], cụm trung tâm là đặt ra mã từ mà đại diện cho đặt ra toàn bộ trong bộ dữ liệu của chúng tôi. Thêm số của cụm trung tâm, diễn cảm hơn chúng tôi DEFCON sẽ Tuy nhiên, sau khi vượt quá một số lượng nhất định của cụm, các thuật toán trở nên bão hòa hoạt động mục tiêu và ac¬curacy giảm đáng kể. Hình 12 minh hoạ phàm thu được cho các số đặt ra mã từ bằng cách sử dụng biểu đồ giao hạt nhân cho máy phân loại SVM một so với tất cả. Như được hiển thị, hai đỉnh núi có thể được xác định trong đồ thị tại 300 và 750 cụm tương ứng với phàm tương ứng 80.51% và 84,6%. Xem xét đỉnh đầu tiên như một maxima địa phương và người thứ hai là maxima toàn cầu; đó là một sự cân bằng đáng kể về tính chính xác so với tính toán chi phí. Việc lớn hơn số lượng các cụm, càng đắt tiền chi phí tính toán sẽ, và khoảng 4% tăng độ chính xác, các tính toán

Results (Vietnamese) 2:

4.2. Các biện pháp đánh giá hiệu suất
Để định lượng và đánh giá khả năng của các thuật toán nhận dạng hoạt động, chúng ta vẽ các đường cong chính xác-thu hồi và nghiên cứu các ma trận nhầm lẫn. Những số liệu được sử dụng rộng rãi trong thị giác máy tính và truy xuất thông tin cộng đồng như là thước đo đánh giá chuẩn. Chúng tôi mời độc giả xem [66,69,70] để biết thêm chi tiết về các số liệu.
5. Kết quả và thảo luận
để đánh giá hiệu suất của thuật toán của chúng tôi, chúng tôi tiến hành các thí nghiệm riêng biệt cả về việc công nhận hoạt động nguyên tử và công nhận hoạt động chuỗi dài để tìm các thông số tối ưu và độ chính xác cao nhất có thể. Đối với đào tạo / Suy luận các hoạt động nguyên tử sử dụng SVM và sử dụng HMM, chúng tôi sử dụng các LIBSVM [64] và HMM / KDE [67,68] gói mã nguồn mở. Các kết quả được báo cáo dựa trên các đánh giá chéo xác nhận 5 lần và số liệu xác nhận khác nhau đã đề cập ở trên được sử dụng để thảo luận về việc thực hiện thuật toán trong Ngoài ra để giải quyết những ưu điểm, hạn chế và cơ hội cải thiện tiềm năng cho các phương pháp:
5.1. Hiệu suất của việc công nhận hoạt động nguyên tử phân loại
Có hai thông số chính trong hoạt động công nhận nguyên tử cần được tối ưu hóa để có được kết quả tốt nhất: 1) số lượng các trung tâm cụm trong thế pose codebook và 2) hạt nhân SVM để duy trì một bộ dữ liệu tuyến tính tách rời. Để tìm số cụm trung tâm tốt nhất, tìm kiếm dựa trên lưới điện được thực hiện trên một loạt các giá trị 200-800 trung tâm làm tròn thành 50 trung tâm [200: 50: 800], các trung tâm cụm là các từ mã tư thế đó đại diện cho toàn bộ những tư thế trong bộ dữ liệu của chúng tôi. Các chi tiết số lượng các trung tâm cụm, các biểu cảm hơn codebook của chúng tôi sẽ được Tuy nhiên, sau khi vượt quá một số lượng nhất định của các cụm, các thuật toán trở nên bão hòa với chức năng mục tiêu và các ac¬curacy giảm xuống đáng kể. Vả. 12 minh họa thu được độ chính xác về số lượng khác nhau của các từ mã tư thế sử dụng giao histogram hạt nhân cho một-vs-tất cả các phân loại SVM. Như đã trình bày, hai đỉnh có thể được xác định trong đồ thị tại 300 và 750 cụm tương ứng với độ chính xác tương ứng 80,51% và 84,6%. Xét đỉnh đầu tiên như là một cực đại địa phương và điều thứ hai là cực đại toàn cầu; có một sự cân bằng đáng kể về độ chính xác so với chi phí tính toán. Lớn hơn số lượng của các cụm, càng tốn kém chi phí tính toán sẽ được, và cho khoảng 4% tăng độ chính xác, sự tính toán