the training. All slide frames are

the training. All slide frames are collected from our lecture
video database. To create a non-slide frame set with varying
image genres, we have collected additional 3,000 images
from flickr.3 Moreover, about 2,000 non-slide video frames
have been collected from the lecture video database. The
test set consists of 240 slide frames and 233 non-slide
frames, which differ from the training set.
In the classifier training the SVM-parameters were determined
by using the grid-search function. To calculate the
image intensity histogram, 256 histogram bins were initially
created corresponding to the 256 image grayscale values.
Then the normalized histogram values were applied to train
the SVM classifier. We have evaluated the normalization
factor (cf. Fig. 5), which has proven to serve best when set to
1,000.4
The comparison results of two features are illustrated in
Table 1. Both features achieved a good recall rate for recognizing
slide frames. However, compared with the HOG feature
the intensity histogram feature showed a considerable
improvement in precision and F1 measure.

ผลลัพธ์ (ไทย) 1:

การฝึกอบรม กรอบภาพนิ่งทั้งหมดจะถูกรวบรวมจากบรรยายของเราฐานวิดีโอ การสร้างเฟรมไม่ใช่ภาพนิ่งตั้งค่าต่าง ๆประเภทภาพ เราได้เก็บภาพ 3,000 เพิ่มเติมจาก flickr.3 Moreover ประมาณ 2000 ไม่ใช่ภาพนิ่งภาพวิดีโอได้รวบรวมจากฐานข้อมูลวิดีโอบรรยาย การประกอบด้วยชุดทดสอบ 240 เฟรมภาพนิ่งและภาพนิ่งไม่ใช่ 233 จนกรอบ ซึ่งแตกต่างจากชุดฝึกอบรมในการฝึกอบรมจำแนก กำหนดพารามิเตอร์การ SVMโดยใช้ฟังก์ชันการค้นหาตาราง การคำนวณการกราฟความเข้มภาพ ฮิสโตแกรม 256 ช่องถูกตอนแรกสร้างที่สอดคล้องกับค่าระดับสีเทา 256 รูปแล้ว ค่าฮิสโตแกรมมาตรฐานถูกนำไปใช้ในการฝึกอบรมลักษณนาม SVM เราได้ประเมินที่การฟื้นฟูปัจจัย (cf.มะเดื่อ 5), ซึ่งได้พิสูจน์ให้บริการที่ดีที่สุดเมื่อ1,000.4ผลการเปรียบเทียบคุณลักษณะสองอย่างที่จะแสดงในตารางที่ 1 คุณลักษณะทั้งสองประสบความสำเร็จมีอัตราการเรียกคืนดีการตระหนักถึงเลื่อนกรอบ อย่างไรก็ตาม เมื่อเทียบกับคุณลักษณะหมูคุณลักษณะกราฟความเข้มที่พบมากปรับปรุงในความแม่นยำและวัด F1

ผลลัพธ์ (ไทย) 2:

การฝึกอบรม. เฟรมภาพนิ่งทั้งหมดจะถูกเก็บรวบรวมจากการบรรยายของเรา
ฐานข้อมูลวิดีโอ เพื่อสร้างกรอบไม่ใช่ภาพนิ่งชุดที่มีแตกต่างกัน
ประเภทของภาพที่เราได้เก็บรวบรวมเพิ่มเติม 3,000 ภาพ
จาก flickr.3 นอกจากนี้ประมาณ 2,000 ภาพวิดีโอไม่ใช่ภาพนิ่ง
ได้รับการเก็บจากฐานข้อมูลวิดีโอการบรรยาย
ชุดทดสอบประกอบด้วย 240 เฟรมภาพนิ่งและ 233 ไม่ใช่สไลด์
เฟรมซึ่งแตกต่างจากชุดการฝึกอบรม.
ในลักษณนามฝึกอบรม SVM-พารามิเตอร์ได้รับการพิจารณา
โดยใช้ฟังก์ชั่นตารางการค้นหา ในการคำนวณ
histogram ความเข้มของภาพ 256 ถังขยะ histogram ได้เริ่ม
สร้างขึ้นสอดคล้องกับค่าระดับสีเทา 256 ภาพ.
แล้วค่า histogram ปกติถูกนำไปใช้ในการฝึกอบรม
ลักษณนาม SVM เรามีการประเมินการฟื้นฟู
ปัจจัย (cf รูปที่ 5.) ซึ่งได้รับการพิสูจน์ที่จะให้บริการที่ดีที่สุดเมื่อตั้งค่าเป็น
1,000.4
ผลการเปรียบเทียบคุณลักษณะทั้งสองจะแสดงใน
ตารางที่ 1 คุณลักษณะทั้งสองประสบความสำเร็จอัตราการจำที่ดีในการตระหนักถึง
เฟรมภาพนิ่ง แต่เมื่อเทียบกับคุณลักษณะหมู
คุณลักษณะเข้มกราฟแสดงให้เห็นเป็นอย่างมาก
ในการปรับปรุงความแม่นยำและ F1 วัด

ผลลัพธ์ (ไทย) 3:

การฝึกอบรม ภาพสไลด์ทั้งหมดจะถูกเก็บรวบรวมจากการบรรยายของเราฐานข้อมูลวิดีโอ เพื่อสร้างชุดสไลด์กรอบไม่แตกต่างกันประเภทของภาพ เราได้รวบรวมเพิ่มเติม 3 , 000 ภาพจาก Flickr . 3 อีกประมาณ 2000 ไม่สไลด์วิดีโอเฟรมได้รับการรวบรวมจากบรรยายวิดีโอฐานข้อมูล ที่ชุดทดสอบประกอบด้วยภาพนิ่งบนภาพนิ่งและ 233 240 เฟรมเฟรม ซึ่งแตกต่างจากการตั้งค่าในแบบฝึก SVM เป็นพารามิเตอร์โดยการใช้ตารางการค้นหาฟังก์ชัน เพื่อคำนวณกราฟความเข้มภาพ 256 แกรมถังขยะในขั้นแรกที่สร้างขึ้นสอดคล้องกับภาพระดับสีเทา 256 ระดับแล้วค่าความถี่ค่าเพื่อใช้ในการรถไฟSVM ลักษณนาม เราได้ประเมินการฟื้นฟูFactor ( CF . ภาพที่ 5 ) ซึ่งได้พิสูจน์ให้ที่ดีที่สุดเมื่อตั้ง1000.4การเปรียบเทียบผลของทั้งสองมีภาพประกอบในตารางที่ 1 . ทั้งสองมีความจำที่ดีสำหรับการ อัตราเฟรมภาพนิ่ง อย่างไรก็ตาม เมื่อเปรียบเทียบกับหมูประกอบด้วยความเข้มและกราฟคุณลักษณะแสดงจํานวนมากเพิ่มความแม่นยำและ F1 วัด