تشخيص حالت دست با استفاده از ميدان تصادفي شرطي پنهان پنجره-اي با پارامترهاي غيرمشترك

مدل هاي گرافي احتمالاتي با لايه مخفي چارچوبي قدرتمند براي دسته بندي دنباله اي از داده ها ارائه مي‌كنند. ميدان تصادفي شرطي با حالات پنهان(HCRF) از جمله مدل هاي تفكيكي است كه از لايه مخفي استفاده كرده و وزن هاي مشتركي را براي تمامي قاب ها ياد مي گيرد. در اين مقاله با الهام از HCRF مدلي جديد معرفي مي كنيم كه در پنجره‌اي از متغيرهاي مخفي وزن-هاي مجزا (غيرمشترك) براي هر متغير مخفي ياد مي گيرد. همچنين در مدل پيشنهادي، بر خلاف HCRF، تعداد حالات مخفي براي هركدام از متغيرهاي پنهان عضو پنجره مي تواند متفاوت انتخاب شود. اين كار با كاهش فضاي حالت جستجو براي متغيرهاي مخفي سرعت و كيفيت استنتاج را بهبود داده و امكان انتساب ناهمسان اهميت به تك فريم‌ها را فراهم مي‌آورد. در عين حال ما با اتصال زنجيروار خروجي پنجره هاي متوالي امكان نشر اطلاعات بين برچسب هاي هر پنجره را فراهم مي آوريم. آزمايش هاي ما بر روي كاربرد تشخيص حالت دست صورت گرفته كه نشان دهنده عملكرد بهتر مدل پيشنهادي نسبت به ساير مدل هاي گرافي احتمالاتي در اين حوزه است.