Laden...
Probleem #26
Auteur:Mihai Nan
Moeilijkheid
Jouw beste score
N.v.t.
We krijgen een dataset met sequenties van menselijke bewegingen, elk bestaande uit meerdere frames (FrameNumber).
Elk frame bevat de 3D-posities van 25 lichaamsgewrichten, vertegenwoordigd door de coördinaten:
J1X, J1Y, J1Z, ..., J25X, J25Y, J25Z.
Elk frame is gekoppeld aan een sequentie-identificatie (IDSample) en twee labels:
Action — de uitgevoerde actieCamera — de camera die de sequentie heeft opgenomenOm de ruimtelijke verdeling van de 25 gewrichten beter te begrijpen:
Bepaal voor elke unieke IDSample hoeveel frames er beschikbaar zijn in de testdataset (test_data.csv).
Deze analyse helpt bij het begrijpen van de temporeel-ruimtelijke verdeling van de gegevens voor elke actie.
Gebruik de trainingsgegevens om een classificatiemodel te trainen dat in staat is de uitgevoerde actie in een sequentie van frames te herkennen.
Pas het model toe op de testgegevens en voorspel voor elke unieke IDSample de meest waarschijnlijke actie.
De prestaties van het model worden geëvalueerd met behulp van nauwkeurigheid (accuracy), gedefinieerd als:
Om de volledige punten te behalen, moet de behaalde nauwkeurigheid ten minste 0.965 zijn.
Gebruik de trainingsgegevens om een model te trainen dat kan voorspellen welke camera een gegeven sequentie van frames heeft opgenomen.
Pas het model toe op de testset en specificeer voor elke IDSample de camera die als meest waarschijnlijk wordt voorspeld.
De prestaties van het model worden opnieuw geëvalueerd met behulp van nauwkeurigheid (accuracy), gedefinieerd als:
Om de volledige punten te behalen, moet de behaalde nauwkeurigheid ten minste 0.8 zijn.
Het eindresultaat moet een CSV-bestand zijn met de naam output.csv, dat precies 3 kolommen bevat:
| subtaskID | datapointID | answer |
|---|---|---|
| 1 | IDSample uit test_data.csv | bijbehorend antwoord voor die subtaak |