In this paper we nave extended the

In this paper we nave extended the method of selecting the most discriminative features using the AdaBoost algorithm to human-action recognition task.Instead of using hand-crafted point-of-interest detectors and the 'bag of features' technique, we utilized the internally adjusted weights in the Adaboost algorithm to select the easiest-to-learn (i.e.mostdiscriminative)features from a large featuer pool.

ผลลัพธ์ (ไทย) 1:

ในกระดาษเราบูชาขยายวิธีการเลือกคุณลักษณะ discriminative มากที่สุดโดยใช้อัลกอริทึม AdaBoost งานบุคคลดำเนินการแทนที่จะใช้สลักมือจับจุดน่าสนใจและเทคนิค 'กระเป๋าของ' เราใช้น้ำหนักปรับปรุงภายในอัลกอริทึม Adaboost ต้องการไปเรียนที่ง่ายที่สุด (i.e.mostdiscriminative)features จากสระว่ายน้ำขนาดใหญ่ featuer

ผลลัพธ์ (ไทย) 2:

ในบทความนี้เราโบสถ์ขยายวิธีการคัดเลือกคุณสมบัติจำแนกมากที่สุดโดยใช้อัลกอริทึม AdaBoost การรับรู้ของมนุษย์กระทำ task.Instead ของการใช้เครื่องตรวจจับจุดที่น่าสนใจมือ crafted และเทคนิค 'ถุงคุณสมบัติ' เราใช้ภายใน น้ำหนักปรับในขั้นตอนวิธี AdaBoost เพื่อเลือกที่ง่ายที่สุดในการเรียนรู้ (iemostdiscriminative) มีจากสระว่ายน้ำขนาดใหญ่ featuer

ผลลัพธ์ (ไทย) 3:

ในกระดาษนี้เราเนฟขยายวิธีเลือกคุณสมบัติและใช้งานมากที่สุด adaboost ขั้นตอนวิธีการรับรู้การกระทำของมนุษย์ แทนการใช้มือ crafted จุดตรวจจับความสนใจและคุณลักษณะ ' ' กระเป๋าของเทคนิคที่เราใช้ภายในการปรับน้ำหนักใน adaboost ขั้นตอนวิธีการเลือกที่ง่ายที่สุดในการเรียนรู้คือmostdiscriminative ) คุณสมบัติจากสระว่ายน้ำ featuer ขนาดใหญ่