Fig. 5 illustrates our HMM in the c

Fig. 5 illustrates our HMM in the context of construction operation analysis. The nodes xt represent the state associated to frame f, which corresponds to the true atomic activity that occurs in frame t. Note that we assume that each frame can be labeled with a single atomic activity. On the other hand, each frame t is also associated with an observation or. There are multiple choices for the observation space. For example, we can directly use the observed depth frames as input observations. However, this choice is highly dimensional and it would be difficult for our classifier to learn representative patterns from a limited number of training examples. Instead, we use a lower dimensional but more semantic observation space.
In our method, ot corresponds to a vector of scores obtained from discriminative classifiers for each activity. In practice, the vector o, indicates how strongly the human poses observed within a time window [t — Ô, f + 6) centered at frame t are associated to each of the atomic activities of interest. Note that the knowledge of the ground- truth values of the hidden state variables (true atomic activities per-formed) is known for the training data at the learning stag. Thus, we build discriminative classifiers per atomic activity and train the emission probabilities using the scores of these classifiers in a supervised fashion (discussed in Section 3.2.2). To construct the HMM, the K possible outcomes of observations 0 = {Ot, o2, o7} and their transition

Results (Vietnamese) 1:

Hình 5 minh hoạ HMM của chúng tôi trong bối cảnh xây dựng hoạt động phân tích. Nút xt đại diện cho bang liên quan đến khung f, mà tương ứng với các hoạt động nguyên tử thực sự xảy ra trong khung t. lưu ý rằng chúng tôi giả định rằng mỗi khung có thể được gắn nhãn với một hoạt động nguyên tử duy nhất. Mặt khác, mỗi khung t là cũng liên kết với một quan sát hoặc. Có rất nhiều lựa chọn cho quan sát không gian. Ví dụ, chúng tôi có thể trực tiếp sử dụng khung quan sát độ sâu như đầu vào quan sát. Tuy nhiên, sự lựa chọn này là chiều cao và nó sẽ là khó khăn cho chúng tôi loại để tìm hiểu các mô hình đại diện từ một số giới hạn các ví dụ huấn luyện. Thay vào đó, chúng tôi sử dụng một không gian thấp hơn chiều nhưng ngữ nghĩa nhiều quan sát.Trong phương pháp của chúng tôi, ot tương ứng với một vector điểm thu được từ discriminative máy phân loại mỗi hoạt động. Trong thực tế, o véc tơ, chỉ ra như thế nào mạnh mẽ đặt ra con người quan sát trong một cửa sổ thời gian [t-Ô, f + 6) Trung tâm tại khung hình t được liên kết với mỗi người trong số các hoạt động nguyên tử quan tâm. Lưu ý rằng các kiến thức về các giá trị đất-thật của các biến trạng thái ẩn (thực sự hoạt động nguyên tử cho mỗi hình thành) được biết đến với dữ liệu huấn luyện tại Nai học tập. Vì vậy, chúng tôi xây dựng máy phân loại discriminative mỗi hoạt động nguyên tử và đào tạo các xác suất phát thải bằng cách sử dụng điểm số của các máy phân loại trong một thời trang giám sát (được thảo luận trong phần 3.2.2). Để xây dựng HMM, K kết quả có thể quan sát 0 = {Ot, o2, o7} và của quá trình chuyển đổi

Results (Vietnamese) 2:

Vả. 5 minh HMM của chúng tôi trong bối cảnh phân tích hoạt động xây dựng. Các nút xt đại diện cho nhà nước liên quan đến khung f, tương ứng với các hoạt động nguyên tử thật sự xảy ra trong khung t. Lưu ý rằng chúng ta giả định rằng mỗi khung có thể được dán nhãn với một hoạt động nguyên tử duy nhất. Mặt khác, mỗi khung t cũng gắn với một quan sát hay. Có rất nhiều sự lựa chọn cho không gian quan sát. Ví dụ, chúng ta có thể trực tiếp sử dụng các khung hình sâu quan sát như là quan sát đầu vào. Tuy nhiên, sự lựa chọn này là rất chiều và nó sẽ là khó khăn cho phân loại của chúng tôi để tìm hiểu mô hình đại diện từ một số giới hạn các ví dụ huấn luyện. Thay vào đó, chúng tôi sử dụng một không gian quan sát thấp hơn chiều nhưng nhiều ngữ nghĩa.
Trong phương pháp của chúng tôi, ot tương ứng với một vector của điểm số thu được từ phân loại phân biệt đối xử đối với từng hoạt động. Trong thực tế, các vector o, điều này cho thấy con người đặt ra quan sát thấy trong một cửa sổ thời gian [t - Ô, f + 6) tâm tại khung t có liên quan đến từng hoạt động nguyên tử của lãi suất. Lưu ý rằng các kiến thức về các giá trị chân trên mặt đất của các biến trạng thái ẩn (các hoạt động nguyên tử đúng mỗi thành lập) được biết đến với các dữ liệu huấn luyện ở hươu học tập. Do đó, chúng tôi xây dựng phân loại phân biệt cho mỗi hoạt động nguyên tử và đào tạo các xác suất phát xạ sử dụng các điểm số của các phân lớp trong một thời trang có giám sát (được thảo luận trong mục 3.2.2). Để xây dựng các HMM, K kết quả có thể quan sát 0 = {Ot, o2, O7} và quá trình chuyển đổi của họ