Laddar...
Problem #26
Författare:Mihai Nan
Svårighetsgrad
Din bästa poäng
Ej tillgänglig
Vi har fått en dataset som innehåller sekvenser av mänskliga rörelser, där varje sekvens består av flera bildrutor (FrameNumber).
Varje bildruta inkluderar 3D-positioner för 25 kroppsleder, representerade av koordinaterna:
J1X, J1Y, J1Z, ..., J25X, J25Y, J25Z.
Varje bildruta är associerad med en sekvensidentifierare (IDSample) och två etiketter:
Action — den utförda handlingenCamera — kameran som spelade in sekvensenFör att bättre förstå den spatiala fördelningen av de 25 lederna:
För varje unik IDSample, bestäm hur många bildrutor som finns tillgängliga i test-datasetet (test_data.csv).
Denna analys hjälper till att förstå den tidsmässiga och spatiala fördelningen av data för varje handling.
Använd träningsdatan för att träna en klassificeringsmodell som kan känna igen handlingen som utförs i en sekvens av bildrutor.
Applicera modellen på testdatan och förutsäg den mest sannolika handlingen för varje unik IDSample.
Modellens prestanda kommer att utvärderas med accuracy (noggrannhet), definierat som:
För att få full poäng måste den uppnådda noggrannheten vara minst 0.965.
Använd träningsdatan för att träna en modell som kan förutsäga vilken kamera som spelade in en given sekvens av bildrutor.
Applicera modellen på testsetet och ange den kamera som förutsägs vara mest sannolik för varje IDSample.
Modellens prestanda utvärderas återigen med accuracy, definierat som:
För att få full poäng måste den uppnådda noggrannheten vara minst 0.8.
Det slutgiltiga resultatet måste vara en CSV-fil med namnet output.csv, som innehåller exakt 3 kolumner:
| subtaskID | datapointID | answer |
|---|---|---|
| 1 | IDSample från test_data.csv | motsvarande svar för den deluppgiften |