This combinationis achieved by the

This combination
is achieved by the derivation of a new probabilistic
kernel based on the Kullback-Leibler divergence (KL) between
Gauss-Markov processes. In particular, we derive the
KL-kernel for dynamic textures in both 1) the image space,
which describes both the motion and appearance components
of the spatio-temporal process, and 2) the hidden state
space, which describes the temporal component alone. Together,
the two kernels cover a large variety of video classification
problems, including the cases where classes can
differ in both appearance and motion and the cases where
appearance is similar for all classes and only motion is
discriminant. Experimental evaluation on two databases
shows that the new classifier achievessuperior performance
over existing solutions.

ผลลัพธ์ (ไทย) 1:

ชุดนี้สามารถทำได้ โดยการมาของใหม่ probabilisticเคอร์เนลที่ใช้ระหว่าง Kullback-Leibler divergence (KL)เกาส์-Markov กระบวนการ โดยเฉพาะอย่างยิ่ง เราได้รับการKL-kernel สำหรับพื้นผิวแบบไดนามิกในทั้ง 1) พื้นที่รูปซึ่งอธิบายถึงการเคลื่อนไหวและลักษณะส่วนประกอบกระบวนการ spatio ขมับ และ 2) สถานะซ่อนไว้พื้นที่ ซึ่งอธิบายถึงส่วนประกอบชั่วคราวเพียงอย่างเดียว ร่วมกันเมล็ดสองครอบคลุมหลากหลายประเภทวิดีโอปัญหา รวมทั้งกรณีที่เรียนสามารถแตกต่างกันทั้งลักษณะ และการเคลื่อนไหว และกรณีที่ลักษณะคล้ายการเรียนทั้งหมด และเคลื่อนไหวเท่านั้นdiscriminant ทดลองประเมินบนฐานข้อมูลที่สองแสดงให้เห็นว่าประสิทธิภาพ achievessuperior classifier ใหม่กว่าโซลูชั่นที่มีอยู่

ผลลัพธ์ (ไทย) 2:

ชุดนี้
จะทำได้โดยที่มาของความน่าจะเป็นใหม่
เคอร์เนลอยู่บนพื้นฐานของความแตกต่าง Kullback-Leibler (KL) ระหว่าง
กระบวนการ Gauss-มาร์คอฟ โดยเฉพาะอย่างยิ่งที่เราได้รับมา
KL-เคอร์เนลสำหรับพื้นผิวแบบไดนามิกในทั้ง 1) พื้นที่ภาพ
ซึ่งจะอธิบายทั้งการเคลื่อนไหวและส่วนประกอบลักษณะ
ของกระบวนการ spatio กาลและ 2) รัฐซ่อน
พื้นที่ซึ่งอธิบายองค์ประกอบชั่วคนเดียว ร่วมกัน
ทั้งสองเมล็ดครอบคลุมความหลากหลายของการจัดหมวดหมู่วิดีโอ
ปัญหารวมทั้งกรณีที่เรียนสามารถ
ที่แตกต่างกันทั้งในลักษณะและการเคลื่อนไหวและกรณีที่
เป็นลักษณะที่คล้ายกันสำหรับทุกชนชั้นและการเคลื่อนไหวเพียงอย่างเดียวคือ
จำแนก การประเมินผลการทดลองในสองฐานข้อมูล
แสดงให้เห็นว่าลักษณนามใหม่ achievessuperior ประสิทธิภาพ
มากกว่าการแก้ปัญหาที่มีอยู่

ผลลัพธ์ (ไทย) 3:

นี้รวมกัน
ได้โดยรากศัพท์ของความน่าจะเป็น
เคอร์เนลใหม่ตามคัลแบ็กลี๊บเลอร์ความแตกต่าง ( KL ) ระหว่าง
เกาส์มาร์คอฟกระบวนการ โดยเฉพาะ เรารับ
เคอร์เนล KL แบบพลวัตสำหรับพื้นผิวทั้ง 1 ) พื้นที่ภาพ
ซึ่งอธิบายทั้งการเคลื่อนไหวและลักษณะส่วนประกอบ
ของกระบวนการเชิงพื้นที่และเวลา และ 2 ) ซ่อนสถานะ
อวกาศซึ่งจะอธิบายเกี่ยวกับองค์ประกอบเพียงอย่างเดียว ด้วยกัน ,
2 เมล็ด ครอบคลุมหลากหลายของปัญหาการจำแนก
วิดีโอ รวมถึงกรณีที่เรียนสามารถ
แตกต่างกันทั้งลักษณะและการเคลื่อนไหวและลักษณะคล้ายกับกรณีที่
ทุกชั้นและเคลื่อนไหว
จำแนก ทดลองประเมินสองแสดงฐานข้อมูลที่ achievessuperior การแสดงแบบใหม่

ผ่านโซลูชั่นที่มีอยู่