Video Analytics Fundamentals Guide

By IPVM Team, Published Mar 04, 2021, 11:00am EST (Info+)

Video analytics is a major differentiator in video surveillance, but because of the different marketing terms, names, and features, understanding how they work and differ is difficult.

IPVM Image

In this 30+ page guide, we teach the following:

  • Accuracy Concerns
  • Hardware Tradeoffs
  • Video Analytics And Computer Vision
  • Basic Image Analysis
  • Computer Vision Evolution in Video Surveillance
  • Video Motion Detection (VMD) - Pros and Cons
  • Heuristics Analytics - Pros and Cons
  • Machine Learning - Pros and Cons
  • Supervised and Unsupervised Learning
  • Haar and HOG
  • Deep Learning - Pros and Cons
  • Convolutional Neural Networks (CNNs)
  • Neural Network Optimizers
  • Don't Always Need Deep Learning
  • Datasets for Training
  • Common Datasets
  • Dataset Issues

This is the first chapter in our Video Analytics Course starting at the end of March.

Video ********* *******

***** ********* *********** ****** ******, **** strong ** **** **** *** ***** is ** ****** *** ** ****** this ***** ** ***** ********* ******. Users *** *********** ****** ** ******* to **** ********* ***** ***** *** specific **********, ** **** *** **** an ******** ********. **** ***-********** ********* may **** ** *********** ************ (*.*. dynamic ********, *** *******).

************* **** ************ ********** *********** *** claim "*****" ** "**" ********* **** struggles ** ****-***** ************. ***** ******-********** analytics *** *********, **** *** **********, not *** ****.

Computational **** ** ******** *****-***

*** ******* ***** ********* ******** *******, the ******* *** ************* ***** ***, generally. ***** ********** ***** (** ** covered ** *** *********** ********** ********), typically ********** ***** ********* ******** ***** increasing ************* *****, ***** ** ****** of *********. *** *******, *** *** make **** **** ******** **** * neural ******* *** ** ***** ******* 1/1000th (** *****) ********* *********.

*******************

******** *********** *** * ***** ****** in ********** ***** ************ *********, ***** the ****-****, **** ****** ****** ** the ***********. *****, ******** ********** ***** analytics *** ******** ** *** *** hardware *********** ** *******, ********, ***. See ****'****** ********* ******** ***** ***** ****.

Video ********* *** ******** ******

***** ********* ** * ********** **** uses ********* ** ******* ****** ** detect ** ******** *******. ***** **** is * ****** **** *** ******, computers ** *** "***" ****** ** people **.

**** * ******** ***** ** * digitally ******* *****, ** ** * collection ** ******:

IPVM Image

* ******** *** *** ********* ** being **** ** ****** ******* ** many ****** **************, ********* ****** *** greatly ******* **. *******, ********* **** a ************ ** **** ** ***** significant ********* ** ** *** **** of ********* **** ****** **** *** granted ** **** ** * *******.

***** ********* ***** ********** ** ******* to ****** *** ***** ** **** patterns ** ******* ** *** ****** that ********* ** ****** (*.*. ******, Face, *******), ******** (*.*. * ****, a ****, * *****), ***/** ********* (e.g. *********, ******* ********, ********).

Basic ***** ********

***** ********* ******* *** ********* ****** to **** *********** ** *** ******, which ********* ***** ** *******:

IPVM Image

********* ****** *** *** ******* **** RGB/color ******, **** *** **** ****** of ******. ******* ****** ***** *** fewer ********** *********, ********** **** *****.

***** *********** ** *** ****** ** 2 ******** ****** *** ******** ** edge, *** ******** ****** **** ******* values ** ***:

IPVM Image

***** ****** ********** *** ** *** core ** *** ***** ********* *** are ******* ****** **** ** *** most ***** **** **** ** ********* VMD.

Computer ****** ********* ** ***** ************

***** *** * **** ******** ********** for ***** *********, ** ***** ** complexity:

  1. ***** ****** ********* (***)- ******* ******* ** ******, *** objects
  2. **********- ******* *** ****** ***** ** hard-coded *****-******* ***** (*.*. "****** ***** changes ******* *", "****** ***** ******* that **** **** * *******")
  3. ************ ****** *********- ******* ******* ***** ****** *****-******* rules *** ***** ******* ******** (******** optimizes *** ********* ***** ** ******** images).
  4. **** ******** ****** *********- ******* ******* ***** ********-********* **********, based ** ******** ****/******.

Video ****** ********* (***)

*** ******** ******* ** *** **** pixel **** *** *****/***** ** *** next. ** ****** ******' *****/******** ****** by ****** ** * ***** (*.*., sensitivity), *** ****** ******** ****** ********. VMD **** *** ****** *******, ****** the ***** ***** ********* ******* ** this ******, *** **** *** ******* values ** ******** ******.

*** ***** ***** ***** *** *** might '***' * *** ****** *** correctly ********* ******:

VMD **********

*** *** * *** ************* *** development ****, *********** ****, *** ** ubiquitous ** ** *******.

****, ** **** ***** ******, **** minimal ***** *******, *** *** ********* detect ** ***** ** ** ******, meaning ** ****** ** ******** *** detected.

IPVM Image

*******, *** *** *********** *********** ******.

VMD *************

*** ** **** ***** ** ******, and ******** **** ******* ******* ***** on ***** ******* *** ** ********/*******, because *** ****** ****** ** ****** is ***** ** ******:

*** **** ********* ** ******* ************, constantly ********** *** ** *******, *******, and *** *********** (*.*. *****, ****** of *****):

IPVM Image

Heuristics *********

********* ******* *** ***** ** *** to ******** ***** ****** ***** **** keeping *********** *** **** ***. ******** providers, ********* ****** ************* ***** * series ** ******* ** ******* ** help ********* **** ***** ******.

*** **** ****** ******* *** ***** change ***********, ******** ** ********, *** direction ** ********, *** * ******* and ******* ****:

IPVM Image

* **** ******** ***** ** ********* analytics ** ********* ****** ***** ********* or ****** ** ***** ***** ** determine **** **** ** ****** ** in ****** (*.*. ****** ** *******):

IPVM Image

Heuristic ****

********* ********* ** ******* ** *** in **** **** *** ********** **** to *******, *** *** *** *************** ****, *** *** **** accurate **** ***:

IPVM Image

********, ** ********** ****** ******, ********* analytics *** ********** ****** ** ***** is ** ****** ******* *** **** be **** ***** ** ***** ****** due ** ***** ***** ******* **** VMD.

Heuristic ****

********* *********' ******* ******** ** **** they *** ******* ** ********* ******** or ********* **** *** ****-***** ** humans.

********* ********* *** ***** ** ****************** when ******* ** *** **** *** pre-set ************, * ****** ******** ** the ****** ******* ****** ******* ******** might ** ********** ** * ******* instead ** * ******, ***** ***** aspect ***** *** ******* ********:

IPVM Image

************, ********* ******* ******* **** *****, trial-and-error *******, ** ******** ***** ******** than **** ******** *********.

Machine ********

******* ******** ** *** **** **** beyond ********** ** ***** *********. ***** a ***** ******** ***-********** ************ ******* what *** ******** ** **** **, the ******** ********* *** *********, *********** using **** **** ********* **** ***** be ********** **** ********* ******. ** such, ******* ******** ********* *** ********* more *************** ******* *** **** ********.

*** *******, * ******** ** **** how ** ****** * ****** ******* by *********** *********** **********:

  • *** ***** ** *** ****** ****** be ****** **** *** *****
  • ***** ****** ** ******** ** **** and **** **** ** **********
  • ***** ****** ** *********** ******** ******* of ********
  • ***** ****** ** **** ***** *** texture ******* (************ ********)

**** *** ********* ** **** *** video, ** **** **** *** ***** parameters, *** ** ** ***** ****** of ****, ** **** ****** *** video ******** * ****** *******.

Supervised *** ************ ********

**** ***** ************ ********* *** ********** learning ****** ***********. ********** ***** *** training ****** *** *******, *** *** computer ******* **** *******/****** **** ** used ** ****** *** *******. ******** labeled ****** *** ******** *** ******* learning ** ****** *** ******* *******.

********* ** *** ********, *** ** more ****** *** ** **** ** provide ******* ****** **** ******* *** information ** *** ******. **** ***** pictures ** **** *** ** ******* as ****, *** ************ ** ******* as *** **** ** ***:

IPVM Image

** ************ ********, *** ****** *** not *******, *** *** ******** ******* how ** ***** *** *******. *******, this ***** *** ******* **** ***** in ** ************* ******, **** *** likely ******* ** ********* ******** ********, like *** ***** ** ******* ******* of ****** ** *******:

IPVM Image

************ ********, ** ********, ***** ******* save **** ** *********** ******** ******** of ****** ** ********. ************, ************ learning *** **** **** ******* ******** and ******** **** * ***** ***** not ********* ** ******. ** ****, unsupervised ******** ** ********* ********** ** detecting ********* ** ****-**** ******** ** movement-related ********.

***** ****, ************ ******** *** ** growing ** ***** ************ *** ********** or ******* ******** *********. *** ****'* tests ********** ******* ******** ******************* ********* ********* ******* *********.

Haar *** ***

**** *** ***-***** ******* ******** ********* are ******* ** **** **** *** human-defined ******* *** *** ******** ********** to ****** *******. **** ***** ********, then *****. *** ***** ***** *** then ********.

****

**** ** *** ** *** ****** machine ******** ******* *** ****** *********, is *************** *********, *** ******** **** by ** *******.**** ** **** **** ** ********* edges *** ***** ** ******* *** uses ********* ******* *********** (**** ********* by * ****, ******** ***** *** eyes) ** ****** ***** *** *** details ** *** ****:

IPVM Image

** *** ***** *******, **** ****** may ********* ******** ***** *** ***:

IPVM Image

**** *********** *** ******* ******* *** multiple ******* *******, ** **** ** 38 ** *** ** *** **** common ******* *****-*****.

IPVM Image

******* **** ***** ** ******* *****, it ******** ****-*** ******** **** * high ***** ** ******, ******* **** ********* ************ ** ********** ********* **** ****** faces.

***

*** ** ******* ****** ******* ******** detection ****** **** ** ***** ************, offering * ******** ********** ******* ********** and ********. *** ****** *** "********* of ******** *********" *** ******* ******* by ******* ***** *** ******* ** an *****, *** *** ******/***** *** edges *** ******* ***:

IPVM Image

******* *********** *** ******* ** *** simplified ***** *** *** ** ********** to ****** *** ***, *******, ** specific ******* **** *** ******* *****, by ***** *** ******** ** **** edges. ******* ** ****, *** *** be **** ******** **** **** ** some *****, *** **** ***** ** errors *** ** ******** *** ****** compared ** ****.

*** **** ******* ** **** ********* using ****, ***, *** **** ********, ee **** ****'***** ********* ********.

Machine ******** ****

******* ******** ********* *** ********-********* *** uses **** ******** **** *****-********** **********. This ***** ** ** **** ******** at ********* ******* **** **** ** not ***** ***** *********** ** ********** examples. ** ****, ******* ******** ********* are ****** **** ********** ** ********* a ****** ******* **** *** ********, running, *******, ***..

******* ******** ******** **** ********** **** VMD *** ********** *** ** ********* efficient ****** ** ** ********* ** lower ********** ******* ******* **** ******* and ****. ********, **** **** ***** requirements **** **** ********, *** **** are *** ****** *** **** ************.

Machine ******** ****

******* ******** ** **** ****** ** develop ******* *** ******** ***** ***** amounts ** ****/****** ** ***** ****, which ** *********. ************, ******* ******* learning ** **** ******* **** *** or ********* *********, ** ** **** computationally ********* *** ** ******-***** ******* increases **** (*** ********* ********* ******** ***).

******* ******** ********* *** **** **** problems **** ******** **** ******* ** a ****** ******* ********** ******, *** example **** * **** ** ******* with * ****:

IPVM Image

** ******** ******** *** ********* ************ beyond ******* ********, ******** ********* ******* Deep ******** ********** ** ***** ************.

Deep ******** ********* ***** ****** ********

**** ******** ********* ******* ****** ******* 3+ ****** ** ******* ** ************** neurons, ***** ********** **** *** ******** object **** ****** **:

IPVM Image

***** **** ******** ********* ***** ** their *** **** ** ***** ** during *** ******** *******, *** ***** of *** ******* ** ******* ** the *********, ********* ******* *****-***-*****.

*******, ****** ********** ** ******* ********, the ******** ***** ** ******* *** not ********** ** ******, **** *** determined ** *** ********, ***** ** the ******** ******.

Learning **** *** ****** ** *******

* ****** **************** ** **** **** learning/AI ********* ******** ** "*****" ***** installation. **** ** ******** ** **** cases, **** ** ********'* ****-******** *** cameras, *** **** ******** *********, ***** attempt ** ***** *** ***** **** are ****** **.

*******, *** **** *********, *** ******** happens ****** *** ******** ** ********, and **** *** *******-******* *****, ***** does *** ****** **** **** ***** on ******** ** ******* ******** ** the ***** ** ****. ************* *** periodically ******* ***** ****** ********* * firmware ******* ** **** ****** ** apply *** ******* *****.

Convolutional ****** ******** (****)

************* ****** ******** ** **** *** most ******** **** *** ******** **** learning ***** ********* *** ****** ********* and **************.

*** * ******** ****** ** * CNNs ***:

  • ***********:******** ********/******* **** ** ***** ** applying * ******* ****** ******, ******* to **** ******* **********, ***** ******* the ************* **** ** *** *********.
  • ***-********* / ****: ***-****** ********** ** *** *********** filter ** **** **** *** ****** network *** ******* *** ***-****** ******** (e.g. ***** ** ****** *** ***** of ********* ********).
  • *******:************* ******* *** ***** ***** **** between **** *********** ***** ** *********** multiple ******* **** *** ************** ******. This ****** *** ************* **** ** reducing *** ****** ** *********** ****. It **** ***** **** ********** ** small ******* ** ********, *****, ** resolution *** ******* * ****** ******** to *** **** ** ***********, ** generalizing *** *********** ** ********* ***/******** reducing *** ***** ** ******.
  • ***** *********: **** *** ******** **** *** Convolution *** ******* ****** ** ******** the ***** **** ***-******* *******/*******, ***** on *** ******** ********.

IPVM Image

** **** **** ** ***** ******* in ** *****, *********** *** **** layers/filters (******* ** *** ** *** brand). *******, *** ** *** ******** ways **** ******** *** ** ***********, the ***** ** *** ****** ******* is *** ****** * **** ********* of ******* ****** ********. ********, **** layers ** * ****** ******* **** generally ******* **** ******** ********** *** higher ************* **** *** ******:

IPVM Image

Open ****** **** - ******** *** ****

******** **** ** ****-****** *** *** customizing/modifying ** *** * ******** *********** is ****** ** ***** *********. ************* often ****** *** ********* ****-****** ****, saving *********** *** ************.

**** ***** ************ ************* *** *** have *** **** ******* ** *********** resources ******** ** ***** ***** *** neural ********, *** **** ****-****** **** (e.g.*********,******,*********,****, ***) *** ****** ******** *** computationally *********.

Neural ******* **********

********** *** ********** ** ****** ***** maintaining **** ******** ** *** ** the **** ******** ***** *** **** learning *********. ****** ******* ********** *** algorithms ** ******* **** ******** ********** can *** ** ****** ** ****** how *** ******** ****** ****** *** training *******.

***** *** **** ************/*********** ******* *** optimizing ****** ******* ******** (*.*. ******** Descent, **********, ******** ********, ***.) **** different ************* ***** *** ******** *****-****.

*****'* ********** * ********-******** ********* **** ************* increases *** ********** ** ******* **** learning ***** ********* ** ***** ***/****, by ********** *** ****** ** ***** the ****** *******:

IPVM Image

Deep ******** ****

**** ******** ********* ********* ***** ************* more ******** *********** *** *** *** susceptible ** ***** ****** *** ** poor ******** ** ***** *******. ************, they *** ****** **** ** ******** objects ********** ** *********** **********, ** when *** ****** **** *** ***** any ***** *********** ** ************:

IPVM Image

**** ************ ********* ************ *** ***** to ****** ******* ** * **** or ***** ***** **** ****** *** be (*.*.: *********** ********* *****-*****). **** learning ********* *** **** ** ****** "abnormal" ********, ****** ******* **** **** usually ****, ** * ***** ***** all ****** ** *** **** ********* suddenly (**** ** ** * ***** evacuation), ***** ***** ***** ** ********* would ** ****** *******. ** ***** able ** ****** ********* ******* ** interest ** * *****, **** ******** helps ***** ********* ******** ***** ******** and **********.

Do *** ****** **** **** ********

*** **** *****, **** ****** ** face ********* ** ** ****** ******* intercom, * ******* ******* ******** ********* is **** ****** ******* *** ***** of **** ** ******, *** ****** is ******* ******** ** *** ******, and ******** *** ** **********.

IPVM Image

***** ******* ********, *** **** **** of ** ***********, **** **** *********** costs **** ******** ** **** ********, and **** ******* ******* **** ******** detection ** **** *********** ************.

Deep ******** ****

***** **** ******** ********* *** **** accurate **** ********* ** ******* ********, they ********* ******* ********* *** ******** (see ********* ********* ******** ***) ******* ** ************* ************ *** training, *** ** **********.

************, ******* **** ******** ********* ******** a *** ** ******** ****/******, ***** development *** ******** ***** *** ************* increase *** ***** **** ** *** analytics ** *****. **** ******** **** recognition *** **** ******* ** $*,*** - $*,*** *** ******.

********, ***** **** ******** ********* *** typically **** ** ********* *** *********** objects **** ** *** ******* ***** training ****** ** ********** ********** *******, every *********** *** ********* **********. ** such, ***** ****** ** ********* **** multiple ***** ** *** ****-***** ********, to ******* *********** ** * **** range ** *******, ********, *** *******.

Datasets *** ********

******** *** **** ** ***** **** learning ********* ** *** ** ****** or ********* *******, ********, *********, *****, or *** ******/******. ******** *** ********* composed ** ********* ** ******** ** labeled ****** ** ******.

**** ******** ********* ******** ** ******* dependent ** ******* ******* ***** ** 4 *******:

  • ******* ******
  • ************** ** *** ****
  • ******* ******
  • ****** ** ******

******* ******

******** ******* ******** ****** ** * specific ******* (*.*. ****** ***********, ******* detection):

IPVM Image

*******, **** **** **** ** ** carefully *******, *** ******* ** ** so *** ****** ** ******** ** algorithm ** ****** ** ********* *** wrong *******/******** (*.*. **** ****** ******* of ******, ***** ******* ******* ** dogs ******* *******).

************** ** *** ****

***** **** ******** *** ******* **** non-surveillance ****** (*.*. ***** ******, ********, passport/ID ******), ** ** ********* ** train ************ ********* **** ************ *****. Surveillance ******* ********* **** *********** ****** and ********.

***** **** ******** ********* ** **** resilient ** ***** ****** **** ******* learning, ******** **** ****** ******** *** most ***** ** ************** **** ** not ****:

IPVM Image

*******, ************-******* ******** *** *** ******, meaning ******** *** **** ** ** created ** *** ******** *********, ** a *********** ****.

******* ******

******** **** ** **** ****** **** are ******* **** ******* ** ******** like *********, ***, *** ******, *** failure ** ** ** **** ** bias, ***** ********, *** **** ** public ********. ************, ******* ******* ****** can ** ********* ** ***, **** open-source ********* ** ***** ************* **** in *********:

IPVM Image

********, *******, ********, ** ******** *** look **** ********* ** *** ** vs ***** ** ** ***** *******. Likewise, * ****** ***** ** ******* with ********* ***** ** ********, ** African *****. **** * ****** ******** in ******* **** ****** ** ********* features, ******, ***. *** **** ** perform **********.

*** *****

******** **** ******** **** *** *** small **** ****** **** ******** **********. Algorithms **** ** ***** **** * person ** *** **** ****** ******* aging, ********** ******, ******** ******, ****-***** changes, ********, *****, *** ****-** ***** differentiating ******* "*************" ***** ******** * large ****** ** ****.

Common ********

***** ****** ******* ***** **** *** analytics ********, ******* **** **** ******** available ******** ** ******* ********** *** manufacturer-created ********.

****** ****** ********

****** *** ** *** **** ******** used ****** ********, ******* ** ** large, **** ********, *** ******** **** common *******. ** ******** ***,*** ******, with *.* ******* ******* ******* ** 80 **********, ***** *** ** ******** for ******** ************:

IPVM Image

********** ******* ****** **** ****** ******* for ************** ********, **** **** ** million ******, *** **** ***,*** **** descriptors ****** "******" ** ***** ******* in ******. ******* *** ********* ******* with ******** ******* ** ******** ********** levels ** ******

IPVM Image

********* * ****** ******* **** ** older *** ******* **** **** ** Imagenet. *******, ** ** **** *** training ****** *********, *** ******** ~**,*** labeled ****** *** *** ******* ****** types:

IPVM Image

******* * ****** ******* ******* ** face *********, ********** **,***+ ****** *** 390,000+ ******* *****. ***** ****** "**** attributes" ********* *****, **********, *** ************:

IPVM Image

********** ********

*********** **** ****** ** ****-******* ****** of ***** **********, ******* ************** ****** (e.g. ******* *******, ********, ***.) *** arrests/mugshot ******. *******, ********** *** ** these ****** ******. *** *** ****** government *** ****** ** ****** *********** companies *** *********** *** *******. *** US ********** **** ******** *** ******* IDs *** ******** ******* (*.*. ****).

*******, ** *** **,******* ***** ******* ********** ****** **** state-to-state, *** *** ********* ****** ****** once * ****** ** ********* ** a *****. **** ********* ***** ****** databases ** ** ******** (*,*,*), ***** ***** ** ******** *** facial *********** ********.

*********** ********

*** ** *********** ************ (*.*. *** detection, ******** *********), **** ******** ********* tout ***** *** ** *********** ********. While ***** ***** ** ****** ********, offering ****** ******** ** ********, ***** is ** *** ** ****** *** diversity ** ******, **** ** *** datasets, ** *******/***** **********.

Dataset ******

***** *** ****** ********** *** ********* challenges ** ***** ************ **** **** to ** ********* **** ******** ********. Issues **** ***** ********* ******** *** caused ****** *** ******** ******* ******* an ********* ***** ********** *** ******** data ** ******** ***** **** ** detect *** ********.

Not ****** ******

******* ****** ******, *** ********* *** focus ** ******* **** *** *** important ** *** ***********, *** ****** correct, *** ******* *******. *** *******, a ****** *********** ****** *** ****** people ******* ******* ********, ****** **** classifying ******* **** ********:

IPVM Image

Distinct ******** *** ** ******* ******

******** ******** ** * ****** ** vehicle *** ** ****** *******, *** an ********* **** ****** ******* ** hair, ****** ****, *******, ********, ***. may ******* ****** ** *** **** world:

IPVM Image

***** ******* ****** ******** (*.*. *******, beards), ** *** ***** * *********** decrease ** ********, **** ******* *** revealed ******** ************* ***** **** ****** ********** ****** **************:

IPVM Image

Public ******** - ***** *** ******* **********

****** ******** **** ***** **********, ********* in *** ** *** ****** *** to ******* ******** *** ********** **********. The ***** ********** **** ****** *** use *** *********** ** ****** *********** technology, ** ******** *** ********** ** faces **** *** ** **** *** training ****, *** ******** ** ****** recognition *******.

****** *********** ********** *** **** ****** ethical **********. ***** ***** ****** ***** and ********** ** ****** *** ** legal, ** ** *** ***** ** many ****** **** ***** ***** *** be **** *** ****** *********** ********. In ****, ******, *********, *** *********** **** ****** *********** ******************** ****** ********.

Labeling **** ** *** ****

******** ****** ** ******** ***** * lot ** **** ** ** **********, because ** *** ******** ** ********* to ******** ** ****** ****** ** datasets.

IPVM Image

************, ***** *** ********** *** ******* challenges ** ********:

  • ** ** ******* ** *** *********, ethnic, ********* ******, ***.?
  • * ******'* **** *** ** *** definition, *** ** ** *******?
    • **** ***** ** **** *** **********?
  • **** ******* * **** ** *******?
    • * *******? ** ******** *******? * stroller?

*** ****** *** ******* ******** *** specific ************ *** ****** ********* ** offer ******* ******** ******** ******* ********* like****** ********** *********** ******** ** *** ******-*******, *** extremely *****-*********.

Comments (21)

**** *******. **** *******.

Agree: 6
Disagree: 1
Informative: 1
Unhelpful
Funny

IPVM Image

*** *** ****** ****, ** ****, likely ** ** ********** ** * human? ****, **** ****** ********* ****** thing ***** ****** ****.

Agree
Disagree
Informative: 1
Unhelpful
Funny: 8

**** ***** ** *** ******* *****/****.

Agree
Disagree
Informative: 1
Unhelpful
Funny

***** ** ******!

Agree: 1
Disagree
Informative
Unhelpful
Funny
  • *******:************* ******* *** ***** ***** **** between **** *********** *****. **** ***** to ******* *** ****** ******* **** "overfitting" ** **** ***** **** ** detect ******** ******** ******, ******* ** any ******, *******, ****, ***.

* ******* "*******" **** **** ******* feature **** ******* ****** ** ******* overall **********. "***********" ****** ****** **** the *** ************ *** ******** ****/******* used, *** *******.

Agree: 1
Disagree
Informative
Unhelpful
Funny

**** ********. **********.

Agree
Disagree
Informative
Unhelpful
Funny

**** ***. ******

Agree
Disagree
Informative
Unhelpful
Funny

***** ***** - ******!

Agree
Disagree
Informative
Unhelpful
Funny

****: "** ********** *** ****** ** nodes***** ****** *******:"

Agree
Disagree
Informative
Unhelpful
Funny

**** ***, ******.

***** ** * **** ** **** phrase:

**** ******** ********* ******** ** ******* dependent ** ******* ******* ***** ** 3 *******:

*** ************, ****.

Agree
Disagree
Informative
Unhelpful
Funny

***** *** *** ******** **** *** and * ** **** *** ******* the ****** *****. ** **** ***** it.

Agree
Disagree
Informative
Unhelpful
Funny

* *** ** **** **** ****** for ********* *** ********.

Agree
Disagree
Informative
Unhelpful
Funny

***** *** ** *** **** *** giving ** **** ******** ****** ** video ********* ************. ** * ******** it *** **** **** ** ********** and **** ******** ** ****. **** is **** *********** ** ********* *** mentioned ** ** * ****** ******** in *** ***** ****** (* ******* on **********).

*******************, ** **********(/**ʊəˈ*ɪ**ɪ*/;******* *****:εὑρίσκω,****í**ō, '* ****, ********'),** *** ******** ********* *************-************* ******* * ********* ****** **** is *** ********** ** *********, *******, **********, *** ** ************ ********** *** reaching ** *********, *****-**** **** ***************. ***** ******* ** ******* ******** is ********** ** ***********, ********* ******* can ** **** ** ***** ** the ******* ** ******* * ************ solution. ********** *** ** ****** ********* that **** ************ ************ * ********. (******* ** *********)

***** ********* **** **** * ***** area ** ******** ***** *** **** few ******* **** ******* ********** **** developed ** ******** ********** **** ** accuracy *** ********* ** ********* ***** data. **** ******* ******* *** **** concept ** **** ***** ***** *** also ****** ***** ******** ** **** learning. *** **** ************ *********** ********* in **** ******* *** ** ******* to ********* *********** ****** **** ** object ********, ************ *** ****** ********* to **** * ***.

Here ** * ****** *********** *** ********** (* ****** ****) ******* ***** ********* ****** *******:

** *******, ********* ********** ** ********* for * ****** ********** ** ** because *** ****** **** ***** ** able ** **** *** *** ********* problems ** ** *********. *******, ********** from **** ********* ******** *** ***** that ********* ****** **** ********* ********* problems. *********, ** ** ******** ** improve *** ************* ** *** ****** significantly ** ********* ******** **********. ****** 1 ***** ** ******* **** * case ***** ** ********* ********** ***** 19 ********** **** **** ** **** 16 ********* ******** ** * ***** response ****** ******** ********* ****** ** their **** ******** (******* ****). **** of *** ***** ******* ** ****** 1 ********* *** ******* ** *** of *** ********* ******** ** *** of *** **********. *** ****** ******* shows **** ***** ** * *********** amount ** ********** ******* *** **** of ********* ******** ***** ** ********* evaluators. ** ** ********* **** **** some ********* ******** *** ** **** to **** **** **** *** ***** by ****** *********, *** ***** *** also **** ******** **** *** ***** by **** *** **********. ***********, *** cannot **** ******** *** **** ********* and **** ****** ** **** ******'* findings. *****, ** ** *** *********** true **** *** **** ****** **** be *** **** ********* ***** ****. Second, **** ** *** *******-**-**** ********* problems (*********** ** *** ******** ******* in ****** *) *** ***** ** evaluators *** ** *** ********* **** many ********* ********. *********, ** ** necessary ** ******* ******** ********** ** any ********* ********** (*** ***** *** a ********** ** *** **** ****** of **********). ** ************** ** ******** to *** ***** ** **** ********** since *** **** *** **** **** much ********** *********** ** ***** ****** numbers.

Figure * ************ ******* ***** ********** ***** ***** usability ******** ** * ********* ********** of * ******* ******. **** *** represents *** ** *** ** ********** and **** ****** ********** *** ** the ** ********* ********. **** ****** shows ******* *** ********* *********** ** the *** ***** *** ********* ******* represented ** *** ******: *** ****** is ***** ** **** ** *** case *** ***** ** *** ********* did *** **** *** *******. *** rows **** **** ****** ** **** a *** **** *** **** ********** evaluators *** ** *** ****** *** the ***** ********** *** ** *** top. *** ******* **** **** ****** in **** * *** **** *** usability ******** **** *** *** ******* to **** *** ** *** ***** and *** ********* ******** **** *** the **** ********* ** **** *** to *** ****.
IPVM Image

********* ********** ** ********* ** ****** each ********** ********* ******* *** ********* alone. **** ***** *** *********** **** been ********* *** *** ********** ******* to *********** *** **** ***** ******** aggregated. **** ********* ** ********* ** order ** ****** *********** *** ******** evaluations **** **** *********. *** ******* of *** ********** *** ** ******** either ** ******* ******* **** **** evaluator ** ** ****** *** ********** verbalize ***** ******** ** ** ******** as **** ** ******* *** *********. Written ******* **** *** ********* ** presenting * ****** ****** ** *** evaluation, *** ******* ** ********** ****** by *** ********** *** *** **** to ** **** *** ********** ** an ********** *******. ***** ** ******** adds ** *** ******** ** **** evaluation *******, *** ******* *** ******** on *** **********. ****, *** ******* of *** ********** *** ********* ****** soon ***** *** **** ********** ******* since *** ******** **** ***** ** understand *** ******** *** *** ** personal *****, *** * *** ** reports ******* ** ******. ***********, *** observer *** ****** *** ********** ** operating *** ********* ** **** ** problems, **** ** ** ******** *********, and **** ** *** ********** **** limited ****** ********* *** **** ** have ******* ******* ** *** ********* explained.

** * **** **** *********, *** observer (******** ****** *** "************") *** the ************** ** ************ *** ****'* actions ** ***** ** ***** *** these ******* *** ******* ** *** usability ****** ** *** ****** ** the *********. **** ***** ** ******** to ******* **** ******* **** ** the ***** ** *** **** ******** about **** ********* ******. ** ********, the ************** *** ********* *** **** interface ** ****** **** *** ********* in * ********* ********** *******, ** a ******** ******** **** ***** ** record *** *********'* ******** ***** *** interface, *** **** *** **** ** interpret *** *********'* *******.

*** ******* *********** ******* ********* ********** sessions *** *********** **** ******* *** the *********** ** *** ******** ** answer ********* **** *** ********** ****** the ******* *** *** ****** ** which *** ********** *** ** ******** with ***** ** ***** *** *********. For *********** **** *******, *** ******** wants ** ******** *** ******** ***** make **** ***** *** *********; *** experimenters *** ********* ********* ** ******* more **** **** ********** *********. ****, users *** ********* ** ******** *** answers ** ***** ********* ** ***** the ****** ****** **** ** ****** them ******** ** *** ************. *** the ********* ********** ** * ******-******** application, ** ***** ** ************ ** refuse ** ****** *** **********' ********* about *** ******, ********** ** ********* experts *** ******* ** *** **********. On *** ********, ********* *** **********' questions **** ****** **** ** ****** assess *** ********* ** *** **** interface **** ******* ** *** *************** of *** ******. *********, **** ********** have ******** ***** *** *********, **** can ** ***** ***** ** *** to ******* ** ***** *** ** waste ******** ********** **** ********** **** the ********* ** *** *********. ** is ********* ** ****, *******, **** the ********** ****** *** ** ***** help ***** **** *** ******* ** trouble *** **** ********* ** *** usability ******* ** ********.

*********, * ********* ********** ******* *** an ********** ********* ***** *** ** two *****. ****** ********** ******** ***** be ********* *** ****** ** **** complicated ********** **** * *********** ****** of ******** ********, *** ** ***** be ****** ** ***** ** *** evaluation **** ******* ******* ********, **** concentrating ** * **** ** *** interface.

****** *** ********** *******, *** ********* goes ******* *** ********* ******* ***** and ******** *** ******* ******** ******** and ******** **** **** ***** ** ********** ********* **********(*** **********). ***** ********** *** ******* rules **** **** ** ******** ****** properties ** ****** **********. ** ******** to *** ********* ** ******* ********** to ** ********** *** *** ******** elements, *** ********* ********* ** **** allowed ** ******** *** ********** ********* principles ** ******* **** **** ** mind **** *** ** ******** *** any ******** ******** *******. ***********, ** is ******** ** ******* ********-******** ********** that ***** ** * ******** ***** of ******** ** * ********** ** the ******* **********. *** *** ** building * ************* **** ** ********-******** heuristics ** ** ******* *********** ******** and **** ******* ** ******** ******** in *** ***** ******** *** *** to ******** ********** ** ******* *** usability ******** **** *** ***** (******* 1993).

** *********, *** ********** ****** ** their *** *** **** **** ** proceed **** ********** *** *********. * general ************** ***** ** **** **** go ******* *** ********* ** ***** twice, *******. *** ***** **** ***** be ******** ** *** * **** for *** **** ** *** *********** and *** ******* ***** ** *** system. *** ****** **** **** ****** the ********* ** ***** ** ******** interface ******** ***** ******* *** **** fit **** *** ****** *****.

***** *** ********** *** *********** ****** ** **** (** ******* a **** ****), ** ** ******** to ******* ********* ********** ** **** interfaces **** ***** ** ***** **** and **** *** *** **** *********** (Nielsen ****). **** ***** ********* ********** suited *** *** ***** ** *** usability *********** *********.

** *** ****** ** ******** ** a ****-**-***-*** ********* *** *** ******* population ** ** *** ********** *** domain *******, ** **** ** ******** to *** *** ********** *** *** system ******* ******* **********. ** *** system ** ******-********* *** *** ********** are ****** ***** **** ******* ** the ****** ** *** ******, ** will ** ********* ** ****** *** evaluators ** ****** **** ** *** the *********. *** ******** **** *** been ******* ************ ** ** ****** the ********** **** * ******* *************, ******* *** ******* ***** * user ***** **** ** ******* * sample *** ** ********* *****. **** a ******** ****** ** *********** ** the ***** ** * **** ******** of *** ****** ***** *** ***** work ** ***** ** ** ** representative ** ******** ** *** ******** use ** *** ******.

*** ****** **** ***** *** ********* evaluation ****** ** * **** ** usability ******** ** *** ********* **** references ** ***** ********* ********** **** were ******** ** *** ****** ** each **** ** *** ******* ** the *********. ** ** *** ********** for ********** ** ****** *** **** they ** *** **** *********; **** should ******* *** **** ** *** like ** **** ********* ***** ************ ** ***** ********* *******. *** evaluators ****** *** ** ** ** specific ** ******** *** ****** **** each ********* ******* **********. *** *******, if ***** *** ***** ****** ***** with * ******* ******** *******, *** three ****** ** ****** **** ********* to *** ******* ********* ********** **** explain *** **** ********** ****** ** the ********* ******* ** * ********* problem. ***** *** *** **** ******* to **** **** ******* **********: *****, there ** * **** ** ********* some *********** ****** ** * ******** element, **** ** ** **** ** be ********** ******** **** * *** design, ****** *** ** ***** ** all *** ********. ******, ** *** not ** ******** ** *** *** usability ******** ** ** ********* ******* or ** ******* ** **** * new ******, *** ** ***** ***** be ******** ** *** **** ** the ******** ** **** *** *** known.

********* ********** **** *** ******* * systematic *** ** ******** ***** ** the ********* ******** ** * *** to ****** *** ******** ******* ** any *********. *******, ******* ********* ********** aims ** ********** **** ******** ********* problem **** ********* ** *********** ********* principles, ** **** ***** ** ****** easy ** ******** * ******* ****** according ** *** ********** ******** ** the ******** ********* *** **** *********** systems. ****, **** ********* ******** **** fairly ******* ***** ** **** ** they **** **** **********.

*** *******, ** *** ******* ** that *** **** ****** **** *********** from *** ****** ** *******, **** the ******** ** ********* ** ******* such * **** *******. *********, ** the ******* ** *** *** ** inconsistent ********** ** *** **** ** upper/lower **** ******* *** *****, *** solution ** ********* ** **** * single ************* ****** *** *** ****** interface. **** *** ***** ****** ********, however, *** ******** *** ** *********** to **** ****** *** ***** ******* to *** ********* (*.*., *** ** enable *** **** ** **** *** copies ** ** ***** ** *** two **** ******* ** ***********).

*** *********** *** ********* *** ********* evaluation ****** ** ******* **** ****** advice ** ** ******* * ********** session ***** *** **** ********** *******. The ************ ** *** ********** ****** include *** **********, *** ******** **** during *** ********** ********, *** *************** of *** ****** ****. *** ********** session ***** ** ********* ********* ** a ************* **** *** ***** ***** on *********** ** ******** ********* ** address *** ***** ********* ******** *** general *********** ******* ** *** ******. A ********** ** **** * **** opportunity *** ********** *** ******** ******* of *** ******, ***** ********* ********** does *** ********* ******* **** ********* issue.

********* ********** ** ********** ******** ** a"******** ********* ***********"******. *********** ******** (******** ** **. 1991) *** ****** ********* **** ********* evaluation ** * **** ********* ********* engineering ******. *** ** ** **** studies ***** * *******-**** ***** *** a ********* ********** ******* ** **: The **** ** ***** *** ****** was ***** $**,*** *** *** ******** benefits **** ***** $***,*** (******* ****). As * ******** ********* *********** ******, heuristic ********** ** *** ********** ** provide "*******" ******* ** ** **** every **** ********* ******* ** ** interface.

*********** *** ****** ** **********

** *********, ********** ********** *** ******* a ********* ********** ** * **** interface ** ***** ***, *** *** experience **** ******* ******** ********* **** fairly **** ******* *** ******** **** relying ** ****** **********. ******** **** six ** ** ********, ****** ********** found **** ** ******* ** *** usability ******** ** *** **********. *******, since ********* ********** **** ** **** different ********, ** ** ******** ** achieve ************* ****** *********** ** *********** the *********** **** ******* **********. ****** 2 ***** *** ********** ** ********* problems ***** ** **** *** **** evaluators *** *****. *** ****** ******* shows **** ***** ** * **** payoff **** ***** **** **** *** evaluator. ** ***** **** ********** ** recommend *** *** ** ***** **** evaluators, *** ********* ** ***** *****. The ***** ****** ** ********** ** use ***** ****** ** * ****-******* analysis. **** ********** ****** ********* ** used ** ***** ***** ********* ** critical ** **** ***** ******* *** be ******** *** ** ********* ** mission-critical *** ** * ******.

Figure * ***** ******* *** ********** ** ********* problems ** ** ********* ***** ** heuristic ********** ***** ******* ******* ** evaluators. *** ***** ********** *** ******* of *** **** ******* ** ********* evaluation.
IPVM Image

******* *** ******** (****) ******* **** a ***** ***** ** *** ********* prediction ******* *** *** ****** ** usability ******** ***** ** * ********* evaluation:

*************(*) = *(* - (*-*)*)

******************(*)********* *** ****** ** ********* ********* problems ***** ** *********** ******* **************** **********,********** *** ***** ****** ** ********* problems ** *** *********, *** * indicates *** ********** ** *** ********* problems ***** ** * ****** *********. In *** **** ******* (******* *** Landauer ****), *** ****** ********* **** ** ******* ** ** percent **** * **** ** ** percent. *** ****** ********* **** ** ** ** **** a **** ** **. ***** **** formula ******* ** ****** **** **** like **** ***** ** ****** *, though *** ***** ***** ** *** curve **** **** **** *** ****** of *** ***************, ***** ***** **** **** **** the *************** ** *** *******.

** ***** ** ********* *** ******* number ** **********, *** ***** * cost-benefit ***** ** ********* **********. *** first ******* ** **** * ***** is ** ********** *** *** **** of ***** *** ******, *********** **** fixed *** ******** *****. ***** ***** are ***** **** **** ** ** paid ** ****** *** **** ********** are ****; ***** ******* **** ** plan *** **********, *** *** ********* ready, *** ***** ** *** ****** or ********* *********** *** *******. ******** costs *** ***** ********** ***** **** accrue **** **** *** ********** ********* is ****; **** ******* *** ****** salary ** **** ********* ** **** as *** **** ** ********* *** evaluator's ****** *** *** **** ** any ******** ** ***** ********* **** during *** ********** *******. ***** ** published ****** **** ******* ******** *** fixed **** ** * ********* ********** is ********* ** ** ******* $*,*** and $*,*** *** *** ******** **** of **** ********* ** ********* ** be ******* $*** *** $***.

*** ****** ***** *** ******** ***** will ********* **** **** ******* ** project *** **** ****** ** **** company's **** ********* *** ** *** complexity ** *** ********* ***** *********. For ************, ******** * ****** ******* with ***** ***** *** ********* ********** of $*,*** *** ******** ***** ** $600 *** *********. ** **** *******, the **** ** ***** ********* ********** with*********** ** ****$(*,*** + ****).

*** ******** **** ********* ********** *** mainly *** ** *** ******* ** usability ********, ****** **** ********** ********* benefits *** ** ******** ** *** extent **** *** ********** ******** ***** understanding ** ********* ** ********* ***** own ********** ******* **** ***** ** other **********. *** **** ****** *******, assume **** ** ** ***** $**,*** to **** **** ********* *******, ***** a ***** ******* ** ******* *** Landauer (****) **** ******* ********* *******. For **** ********, *** ***** ********* need ** ******** *** ***** ** finding ********* ******** ***** ** *** expected **** **********. *** ******** ** be **** **-*****, **** ***** *** be ********* ***** ** *** ******** increase ** **** ************; *** ******** to ** **** ** *** **** market, ** *** ** ********* ***** on *** ******** ******** ** ***** due ** ****** **** ************ ** better ****** *******. **** **** **** value **** ******* **** ***** ********* problems **** *** ** **** ***** before *** ******** *****. ***** ** is ********** ** *** *** ********* problems, *** ***** ** **** ******* found ** **** **** ********** ** the ***** ** * ***** *******.

Figure * ***** ******* *** **** ***** *** benefits *** ******* **** *** ***** for ********* ********** ** * ****** project ***** *** *********** ********* ** the ****. *** ******* ****** ** evaluators ** **** ******* ** ****, with ******** **** *** ** ***** greater **** *** *****.
IPVM Image

****** * ***** *** ******* ***** of *** ******** ** *** ***** for ******* ******* ** ********** ** the ****** *******. *** ***** ***** that *** ******* ****** ** ********** in **** ******* ** ****, ********** the ******* *********** **** ********* ********** seems ** **** **** **** ***** to **** **********. ** *** *******, a ********* ********** **** **** ********** would **** $*,*** *** ***** **** usability ******** ***** $***,***.

**********

  • *******, *. *. ****.* ********** ** ********* ********** *** Usability *******: *** ******** ** * Domain-Specific ********* *********. **.*. ****., ********** ** ********** Engineering, ***** *&* **********, ******* *******, TX.
  • ********, *., ******, *. *., *******, C., *** *****, *. *. ****. User ********* ********** ** *** **** world: * ********** ** **** **********.*********** *** ***'** **********(*** *******, **, ***** **-*** *), 119-124.
  • ******, *., *** *******, *. (****). Improving * *****-******** ********,************** ** *** ***33 , 3 (March), 338-348.
  • *******, *. ****. ***** ****** ******** implementations ** ****** ********* *** ********* evaluation.****. **** ********** ***** ****. ****. Human-Computer ***********(*********, *.*., ****** **-**), ***-***.
  • *******, *., *** ********, *. *. 1993. * ************ ***** ** *** finding ** ********* ********.*********** ***/**** ********'** **********(*********, *** ***********, ***** **-**), ***-***.
  • *******, *., *** ******, *. (****). Heuristic ********** ** **** **********,****. *** ***'** ****.(*******, **, *-* *****), ***-***.
  • *******, *. ****. ******* ********* ******** through ********* **********.*********** *** ***'** **********(********, **, *** *-*), ***-***.
  • *******, *. (****). ********* **********. ** Nielsen, *., *** ****, *.*. (***.),********* ********** *******. **** ***** & ****, *** York, **.
Agree
Disagree
Informative
Unhelpful
Funny

**** ******* ** ********** *** ********* evolution *** ** **** ** **** to *** **** ** **** '****** detection **' ******* **** **** *** some ** ******* ******* *** **** knowing ** **** ** ***** ** in **** *** ******* ****** ******* or ** ** **** ****** **********...

Agree: 1
Disagree
Informative
Unhelpful
Funny

* **** *********** ****. * ***** like **** ******* ** **** ****** the ****** **** ********** **** *** concept *****.

Agree
Disagree
Informative
Unhelpful
Funny

*****, ****** *** *** ********. ***** we ** *** ******* ****** **** for *** ******** **** ** ***** in **** ************ *****, ***** *** numerous ****-****** **** *** ****** ***********.

***** *** **** * *** ******** of ******** ** ****-****** ********:

Agree
Disagree
Informative
Unhelpful
Funny

**** ************ ********! ** **** ****** I ****'* **** **** * ****'* know.

Agree: 1
Disagree
Informative: 1
Unhelpful
Funny

**** ** **** ******** *** ******** useful ***********.

Agree
Disagree
Informative: 1
Unhelpful
Funny

**** *******. * ******* ** **** about *** ** *****! **** ******* to **** ****

Agree
Disagree
Informative
Unhelpful
Funny

* **** **** ************ ** ** how *** *** ********* ************ *** deployed

Agree
Disagree
Informative
Unhelpful
Funny

******* ******* **** **** ********** *** educational!

Agree
Disagree
Informative
Unhelpful
Funny
Login to read this IPVM report.
Why do I need to log in?
IPVM conducts reporting, tutorials and software funded by subscriber's payments enabling us to offer the most independent, accurate and in-depth information.
Loading Related Reports