DPMM, SVMC employs a distance measu

DPMM, SVMC employs a distance measure that can deal with
heterogeneous feature elements. Finally, unlike CF and CT,
which require a strict spatial and temporal coherency of the
feature vectors, SVMC relaxes this assumption and can include
smaller clusters that still present coherent motion.
VI. EXPERIMENTAL RESULTS
A. Datasets and evaluation
We evaluate the proposed clustering framework (Fig. 1)
using a synthetic dataset and real-world crowd videos.
The synthetic dataset is generated with an extended version
of the code used in [4] and includes nine different motion
clusters for a total of 67500 feature vectors over 50 frames.
The modification includes random variations of the velocity
component, a larger number of feature vectors and additional
motion clusters with different shapes (interwoven circular
clusters). Each feature vector is characterized by position and
velocity. We use this dataset in order to test the ability of our
method in clustering homogenous motion flows with different
scales, shapes and dynamics (Fig. 5 shows an instance of
the synthetic dataset). We use 5 video sequences, namely
Marathon, Traffic, Train-station, Student003 and Cross-walk,

ผลลัพธ์ (ไทย) 1:

DPMM, SVMC ใช้วัดระยะทางที่สามารถจัดการกับองค์ประกอบคุณลักษณะที่แตกต่างกัน ในที่สุด ซึ่งแตกต่างจาก CF และ CTซึ่งต้องมีการเข้มงวดความเชิงพื้นที่ และกาลเวลาของการคุณลักษณะเวกเตอร์ SVMC สมมติฐานนี้ผ่อนคลาย และสามารถรวมขนาดเล็กกลุ่มเคลื่อนไหวเชื่อมโยงกันนั้นยังคงอยู่VI. ทดลองA. ข้อมูลและประเมินผลเราประเมินกรอบการนำเสนอระบบคลัสเตอร์ (1 รูป)ใช้เป็นชุดข้อมูลสังเคราะห์และฝูงชนจริงวิดีโอสร้างชุดข้อมูลสังเคราะห์ ด้วยรุ่นเพิ่มเติมรหัสใช้ใน [4] และมีการเคลื่อนไหวอื่นที่เก้าคลัสเตอร์รวมคุณลักษณะ 67500 เวกเตอร์ 50 เฟรมมีการปรับเปลี่ยนรูปแบบสุ่มของความเร็วส่วนประกอบ จำนวนมาก ของเวกเตอร์คุณลักษณะ และเพิ่มเติมกลุ่มเคลื่อนไหว มีรูปร่างแตกต่างกัน (ร้อยเป็นวงกลมคลัสเตอร์) เวกเตอร์แต่ละคุณลักษณะเป็นลักษณะตำแหน่ง และความเร็ว เราใช้ชุดข้อมูลนี้ในการทดสอบความสามารถของเราวิธีการในคลัสเตอร์ที่เคลื่อนไหวเป็นเนื้อเดียวกันไหล ด้วยแตกต่างกันเครื่องชั่งน้ำหนัก รูปร่าง และ dynamics (5 รูปแสดงตัวอย่างของสังเคราะห์ข้อมูลชุดข้อมูล) เราใช้ 5 ลำดับวิดีโอ คือมาราธอน การจราจร สถานีรถไฟ Student003 และ เดินข้าม

ผลลัพธ์ (ไทย) 2:

DPMM, SVMC พนักงานการวัดระยะทางที่สามารถจัดการกับ
องค์ประกอบคุณลักษณะที่แตกต่างกัน ในที่สุดซึ่งแตกต่างจาก CF และ CT,
ซึ่งจำเป็นต้องมีการเชื่อมโยงกันอย่างเข้มงวดพื้นที่และเวลาของ
เวกเตอร์คุณลักษณะ SVMC ผ่อนคลายสมมติฐานนี้และอาจรวมถึง
กลุ่มที่มีขนาดเล็กที่ยังคงนำเสนอการเคลื่อนไหวที่สอดคล้องกัน.
พระมงกุฎเกล้าเจ้าอยู่หัว ผลการทดลอง
A. ชุดข้อมูลและการประเมินผล
เราประเมินการจัดกลุ่มกรอบที่นำเสนอ (รูปที่ 1).
ใช้ชุดข้อมูลที่สังเคราะห์และฝูงชนที่แท้จริงของโลกวิดีโอ.
ชุดข้อมูลสังเคราะห์จะถูกสร้างขึ้นด้วยรุ่นที่ขยาย
ของรหัสที่ใช้ใน [4] และรวมถึงเก้าการเคลื่อนไหวที่แตกต่างกัน
กลุ่มสำหรับ รวมของ 67,500 เวกเตอร์คุณลักษณะกว่า 50 เฟรม.
ปรับเปลี่ยนรูปแบบรวมถึงการสุ่มของความเร็ว
ส่วนประกอบจำนวนมากของเวกเตอร์บาร์และเพิ่มเติม
กลุ่มเคลื่อนไหวที่มีรูปร่างที่แตกต่างกัน (วงกลมสาน
กลุ่ม) แต่ละคุณลักษณะเวกเตอร์ที่โดดเด่นด้วยตำแหน่งและ
ความเร็ว เราใช้ชุดนี้เพื่อที่จะทดสอบความสามารถของเรา
วิธีการในการจัดกลุ่มการเคลื่อนไหวเป็นเนื้อเดียวกับกระแสที่แตกต่างกัน
เครื่องชั่งน้ำหนัก, รูปร่างและการเปลี่ยนแปลง (รูปที่. 5 แสดงตัวอย่างของ
ชุดข้อมูลสังเคราะห์) เราใช้ 5 ลำดับวิดีโอ ได้แก่
มาราธอน, การจราจร, สถานีรถไฟ, Student003 และ Cross-เดิน

ผลลัพธ์ (ไทย) 3:

หนอนกระทู้