to be highly non-convex as there ca

to be highly non-convex as there can be sub-groups freely
moving in the unoccupied space.
Clustering can be performed by fitting Gaussian Mixture
Models to motion vectors directly [11] or by mapping motion
vectors to tailored subspaces [3]. Clusters of coherently
moving people can also be isolated in a crowd [4], [12]
by temporally correlating tracklets, generated for example as
Kanade-Lucas-Tomasi short tracks [13], so as to automatically
highlight groups moving together. However, this approach
may omit smaller groups with weak coherent motions. Crowd
motion can also be characterized in terms of coherent or
intersecting motion via Deep Networks [14]. Moreover, this
method requires supervision and does not spatially localize
activities. Deep Networks could also be used to infer clusters
of features in an unsupervised manner as a dimensionality
reduction problem (auto-encoders) [15].

ผลลัพธ์ (ไทย) 1:

จะสูงไม่ใช่นูนมีสามารถย่อยรวมได้อย่างอิสระเคลื่อนไหวในพื้นที่ว่างคลัสเตอร์สามารถทำได้ โดยผสมนที่เหมาะสมรูปแบบเวกเตอร์เคลื่อนไหวโดยตรง [11] หรือ โดยการเคลื่อนไหวการแม็ปเวกเตอร์การปรับ subspaces [3] กลุ่มของคล้องย้ายท่านสามารถยังสามารถแยกในฝูงชน [4], [12]โดยชั่วกำลังรวบรวมสำหรับ tracklets สร้างตัวอย่างเช่นเป็นKanade-ลูคัส-Tomasi สั้นติดตาม [13], ที่จะโดยอัตโนมัติเน้นกลุ่มที่ย้ายไปด้วยกัน อย่างไรก็ตาม วิธีการนี้อาจละเว้นกลุ่มเล็กกับอ่อนแอเคลื่อนไหวเชื่อมโยงกัน ฝูงชนเคลื่อนไหวลักษณะในแง่ของการเชื่อมโยงกัน หรือเคลื่อนไหวที่ตัดผ่านเครือข่ายลึก [14] นอกจากนี้ นี้วิธีที่ต้องดูแล และไม่ spatially localizeกิจกรรม ยังสามารถใช้เครือข่ายลึกจะอนุมานคลัสเตอร์สิ่งอำนวยความสะดวกในลักษณะคอยกำกับเป็นมิติที่ลดปัญหา (อัตโนมัติเอ็นโค้ดเดอร์) [15]

ผลลัพธ์ (ไทย) 2:

จะเป็นอย่างสูงที่ไม่ใช่นูนจะมีกลุ่มย่อยได้อย่างอิสระ
เคลื่อนไหวในพื้นที่ว่าง.
Clustering สามารถดำเนินการได้โดยการปรับ Gaussian ผสม
รุ่น vectors เคลื่อนไหวโดยตรง [11] หรือโดยการเคลื่อนไหวการทำแผนที่
เวกเตอร์เพื่อ subspaces ปรับแต่ง [3] กลุ่มของเป็นตุเป็นตะ
คนที่จะย้ายยังสามารถแยกได้ในฝูงชน [4] [12]
โดย tracklets ชั่วคราวมีความสัมพันธ์ที่สร้างขึ้นเช่นเป็น
Kanade-Lucas-Tomasi แทร็คสั้น [13] เพื่อให้เป็นไปโดยอัตโนมัติ
เน้นกลุ่มที่เคลื่อนไหวร่วมกัน แต่วิธีนี้
อาจหลงลืมกลุ่มขนาดเล็กที่มีการเคลื่อนไหวที่สอดคล้องกันที่อ่อนแอ ฝูงชน
การเคลื่อนไหวนอกจากนี้ยังสามารถที่โดดเด่นในแง่ของการเชื่อมโยงกันหรือ
การเคลื่อนไหวที่ตัดผ่านทางเครือข่ายลึก [14] นอกจากนี้
วิธีการต้องมีการกำกับดูแลและไม่ได้ จำกัด วงสันนิฐาน
กิจกรรม เครือข่ายลึกนอกจากนี้ยังสามารถนำมาใช้เพื่อสรุปกลุ่ม
ของคุณสมบัติในลักษณะที่ใกล้ชิดเป็นมิติ
ปัญหาการลดลง (Auto-เข้ารหัส) [15]

ผลลัพธ์ (ไทย) 3:

เป็นอย่างสูงที่ไม่นูนเป็นมีสามารถย่อยกลุ่มได้อย่างอิสระย้ายในพื้นที่ว่างอยู่ข้อมูลที่สามารถดำเนินการได้โดยผสม > กระชับรูปแบบเวกเตอร์เคลื่อนไหวโดยตรง [ 11 ] หรือเคลื่อนไหวแผนที่เวกเตอร์การปรับแต่ง subspaces [ 3 ] กลุ่มติดแน่นย้ายคนยังสามารถแยกฝูงชน [ 4 ] , [ 12 ]โดยชั่วคราว รวมทั้ง tracklets สร้างขึ้น ตัวอย่างเช่นเป็นคานาเดะ ลูคัส โทรมาสิสั้นเพลง [ 13 ] เพื่อให้เป็นไปโดยอัตโนมัติเน้นกลุ่มที่ย้ายเข้าด้วยกัน อย่างไรก็ตาม วิธีการนี้อาจละเว้นกลุ่มเล็กที่อ่อนแอกันการเคลื่อนไหว ฝูงชนการเคลื่อนไหวยังสามารถโดดเด่นในแง่ของการติดต่อกัน หรือในภาพเคลื่อนไหวผ่านเครือข่ายลึก [ 14 ] นอกจาก นี้วิธีการดูแลและไม่ต้องเปลี่ยน จำกัดกิจกรรม เครือข่ายลึกสามารถใช้ สรุปว่ากลุ่มคุณสมบัติในลักษณะเป็น dimensionality unsupervisedลดปัญหา ( ตัวรถ ) [ 15 ]