due to a false depth map segmentati

due to a false depth map segmentation. As mentioned before, PrimeSense User Tracker package [49] relies on a segmentation algorithm to find human body boundary, however, proximity of a worker to any large scale object such as gypsum boards creates errors in segmentation process and consequently skeleton predictions. Fig. 14 illustrates few examples of false calibration, segmentation, and skeleton detection. Furthermore, it is essential to point out the reason why “cutting" and “measuring" activities have being categorized as a single class. The main reasoning behind this combined approach has roots in extreme similarity of the worker body poses during these activities, in addition to the weak performance of the skeleton extraction algorithm that is due to high proximity of workers to the gypsum boards. The body posture similarity causes confusion and increases the rate of mis- classification at atomic activity recognition. This in turn initiates a deviation from the target function in HMM algorithm as well.
We also note that natural cases of occlusions caused by tools, moving workers, and self-occlusions were documented in the training and testing datasets. These cases affect the accuracy of detecting workers and recognizing body postures. As long as occlusions are not long term (>10 s) as described before, our method will remain relatively robust in terms of inferring activities that follow the natural patterns of body posture sequences documented during the training process.
Fig. 15 depicts the overall performance of atomic activity classifier with the number of score intervals that each interval contains equal samples. As demonstrated, breaking, idling, and measuring & cutting activity categories tend to show a low precision when the threshold has

Results (Vietnamese) 1:

do một phân khúc bản đồ chiều sâu sai. Như đã đề cập trước khi, PrimeSense người sử dụng theo dõi gói [49] dựa trên một thuật toán phân đoạn để tìm ranh giới cơ thể con người, Tuy nhiên, gần gũi của một công nhân với bất kỳ đối tượng quy mô lớn chẳng hạn như thạch cao bảng tạo lỗi trong quá trình phân đoạn và bộ xương do đó dự đoán. Hình 14 minh hoạ vài ví dụ về sai hiệu chuẩn, phân khúc, và phát hiện bộ xương. Hơn nữa, nó là điều cần thiết để chỉ ra lý do tại sao "cắt" và "đo lường" hoạt động đã được phân loại như là một lớp duy nhất. Lý do chính đằng sau cách tiếp cận này kết hợp có gốc từ cực tương tự của các công nhân cơ thể đặt ra trong các hoạt động, ngoài việc thực hiện yếu của thuật toán khai thác bộ xương là do cao gần gũi của người lao động với tấm thạch cao. Sự giống nhau tư thế cơ thể gây ra sự nhầm lẫn và làm tăng tỷ lệ của mis-phân loại tại nguyên tử hoạt động công nhận. Điều này lần lượt bắt đầu một độ lệch từ chức mục tiêu, HMM thuật toán là tốt.Chúng tôi cũng lưu ý rằng các trường hợp tự nhiên của occlusions do công cụ, di chuyển người lao động, và tự occlusions được tài liệu trong đào tạo và kiểm tra datasets. Những trường hợp ảnh hưởng đến tính chính xác của phát hiện người lao động và công nhận tư thế cơ thể. Miễn là occlusions là không lâu (> 10 s) như mô tả trước khi, phương pháp của chúng tôi sẽ vẫn còn tương đối mạnh mẽ trong điều khoản của suy luận hoạt động theo mô hình tự nhiên của cơ thể tư thế trình tự tài liệu trong quá trình đào tạo.Hình 15 mô tả hiệu suất tổng thể của nguyên tử hoạt động loại với số điểm khoảng mỗi khoảng thời gian chứa bằng mẫu. Như đã chứng minh, phá vỡ, idling, và đo & cắt hoạt động thể loại có xu hướng hiển thị độ chính xác thấp khi ngưỡng có