I
nte
rna
t
io
na
l J
o
urna
l o
f
Rec
o
nfig
ura
ble a
nd
E
m
be
dd
e
d Sy
s
t
e
m
s
(
I
J
R
E
S)
Vo
l.
15
,
No
.
2
,
J
u
ly
20
26
,
p
p
.
450
~
4
6
0
I
SS
N:
2089
-
4864
,
DOI
:
1
0
.
1
1
5
9
1
/i
j
r
es
.
v
1
5
.
i
2
.
pp
4
5
0
-
460
450
J
o
ur
na
l ho
m
ep
a
g
e
:
h
ttp
:
//ij
r
es.ia
esco
r
e.
co
m
A real
-
ti
m
e
m
ul
ti
-
m
o
da
l
deep l
ea
rning
f
ra
m
ew
o
rk
f
o
r studen
t
a
tt
entivenes
s
as
ses
s
m
en
t
in onl
i
ne l
ea
rning
enviro
n
ments
Ra
j
a
s
ek
a
ra
n M
a
riswa
m
y
,
P
.
V.
P
ra
v
ee
n Sun
da
r
D
e
p
a
r
t
me
n
t
o
f
C
o
mp
u
t
e
r
S
c
i
e
n
c
e
,
A
d
h
i
p
a
r
a
s
a
k
t
h
i
C
o
l
l
e
g
e
o
f
A
r
t
s a
n
d
S
c
i
e
n
c
e
,
(
A
f
f
i
l
i
a
t
e
d
t
o
T
h
i
r
u
v
a
l
l
u
v
a
r
U
n
i
v
e
r
si
t
y
)
,
K
a
l
a
v
a
i
,
I
n
d
i
a
Art
icle
I
nfo
AB
ST
RAC
T
A
r
ticle
his
to
r
y:
R
ec
eiv
ed
Au
g
3
1
,
2
0
2
4
R
ev
i
s
ed
A
p
r
6
,
2
0
2
6
A
cc
ep
ted
Ma
y
3
1
,
2
0
2
6
T
h
e
ra
p
id
g
ro
w
th
o
f
o
n
li
n
e
lea
rn
in
g
p
latf
o
rm
s
h
a
s
in
c
re
a
se
d
th
e
n
e
e
d
f
o
r
in
telli
g
e
n
t
sy
ste
m
s
c
a
p
a
b
le
o
f
m
o
n
it
o
rin
g
st
u
d
e
n
t
a
tt
e
n
ti
v
e
n
e
ss
in
re
a
l
ti
m
e
to
im
p
ro
v
e
lea
rn
in
g
e
ff
e
c
ti
v
e
n
e
ss
a
n
d
a
d
a
p
ti
v
e
in
stru
c
ti
o
n
.
T
h
is
p
a
p
e
r
p
ro
p
o
se
s
a
m
u
lt
i
-
m
o
d
a
l
d
e
e
p
lea
rn
in
g
f
ra
m
e
w
o
r
k
f
o
r
a
tt
e
n
ti
v
e
n
e
ss
a
ss
e
ss
m
e
n
t
b
y
in
teg
ra
ti
n
g
v
isu
a
l,
b
e
h
a
v
io
ra
l,
a
n
d
tem
p
o
ra
l
i
n
f
o
rm
a
ti
o
n
e
x
trac
ted
f
ro
m
o
n
li
n
e
c
las
sro
o
m
in
tera
c
ti
o
n
s.
T
h
e
p
ro
p
o
se
d
sy
ste
m
c
o
n
sists
o
f
f
o
u
r
m
a
jo
r
c
o
m
p
o
n
e
n
ts,
n
a
m
e
l
y
d
a
ta
a
c
q
u
isit
i
o
n
,
p
re
p
r
o
c
e
ss
in
g
a
n
d
n
o
rm
a
li
z
a
ti
o
n
,
d
e
e
p
f
e
a
tu
re
e
x
trac
ti
o
n
w
it
h
tem
p
o
ra
l
lea
rn
in
g
,
a
n
d
a
tt
e
n
ti
v
e
n
e
ss
e
v
a
lu
a
ti
o
n
w
it
h
a
n
a
ly
ti
c
s
g
e
n
e
ra
ti
o
n
.
V
isu
a
l
a
n
d
s
p
a
ti
a
l
c
h
a
ra
c
teristics
a
re
lea
rn
e
d
u
si
n
g
a
c
o
n
v
o
lu
ti
o
n
a
l
n
e
u
ra
l
n
e
tw
o
rk
(CNN
),
w
h
il
e
te
m
p
o
ra
l
b
e
h
a
v
io
ra
l
p
a
tt
e
rn
s
a
re
c
a
p
tu
re
d
th
r
o
u
g
h
a
lo
n
g
sh
o
rt
-
term
m
e
m
o
r
y
(L
S
T
M
)
n
e
tw
o
rk
to
m
o
d
e
l
se
q
u
e
n
ti
a
l
e
n
g
a
g
e
m
e
n
t
d
y
n
a
m
ic
s.
T
h
e
f
ra
m
e
w
o
rk
is
d
e
sig
n
e
d
to
o
p
e
r
a
te
in
b
o
t
h
re
a
l
-
ti
m
e
a
n
d
o
f
f
li
n
e
m
o
d
e
s,
e
n
a
b
li
n
g
l
iv
e
m
o
n
it
o
rin
g
d
u
r
in
g
v
irt
u
a
l
c
las
se
s
a
s
we
ll
a
s
p
o
st
-
se
ss
io
n
a
n
a
ly
sis
o
f
r
e
c
o
rd
e
d
lec
tu
re
s.
T
h
e
c
o
m
p
u
tatio
n
a
l
p
ip
e
li
n
e
is
o
p
ti
m
ize
d
th
ro
u
g
h
f
ix
e
d
-
p
o
in
t
p
r
o
c
e
ss
in
g
,
p
a
ra
ll
e
l
c
o
n
v
o
lu
ti
o
n
e
x
e
c
u
ti
o
n
,
a
n
d
late
n
c
y
-
a
wa
re
te
m
p
o
ra
l
m
o
d
e
li
n
g
,
m
a
k
i
n
g
it
su
it
a
b
le
f
o
r
f
ield
p
r
o
g
ra
m
m
a
b
le
g
a
te
a
rra
y
(
F
P
G
A
)
-
b
a
s
e
d
a
n
d
e
m
b
e
d
d
e
d
im
p
le
m
e
n
tatio
n
s
u
n
d
e
r
c
o
n
stra
in
e
d
c
o
m
p
u
tatio
n
a
l
re
so
u
rc
e
s.
Ex
p
e
ri
m
e
n
tal
e
v
a
lu
a
ti
o
n
c
o
n
d
u
c
te
d
o
n
a
n
i
n
-
h
o
u
s
e
d
a
tas
e
t
d
e
m
o
n
stra
tes
th
a
t
th
e
p
ro
p
o
se
d
f
ra
m
e
w
o
rk
a
c
h
ie
v
e
s
9
2
.
9
%
c
las
si
f
ica
ti
o
n
a
c
c
u
ra
c
y
a
n
d
a
9
1
.
9
%
F
1
-
sc
o
re
,
w
h
il
e
m
a
in
tain
i
n
g
stro
n
g
g
e
n
e
ra
li
z
a
ti
o
n
c
a
p
a
b
il
it
y
o
n
c
r
o
ss
-
d
a
tas
e
t
b
e
n
c
h
m
a
rk
s.
F
u
rth
e
rm
o
re
,
late
n
c
y
a
n
a
ly
sis
sh
o
w
s
a
n
a
v
e
ra
g
e
p
ro
c
e
ss
in
g
ti
m
e
o
f
3
1
.
6
m
s
p
e
r
f
ra
m
e
,
e
n
a
b
li
n
g
n
e
a
r
re
a
l
-
ti
m
e
in
f
e
re
n
c
e
a
t
a
p
p
ro
x
im
a
t
e
l
y
3
0
f
ra
m
e
s p
e
r
se
c
o
n
d
.
K
ey
w
o
r
d
s
:
L
o
n
g
s
h
o
r
t
-
ter
m
m
e
m
o
r
y
Ma
ch
i
n
e
lear
n
i
n
g
Mu
lti
-
m
o
d
al
f
ea
t
u
r
e
an
al
y
s
i
s
On
li
n
e
lear
n
i
n
g
Stu
d
e
n
t a
tten
tiv
e
n
e
s
s
T
h
is i
s
a
n
o
p
e
n
a
c
c
e
ss
a
rticle
u
n
d
e
r th
e
CC B
Y
-
SA
li
c
e
n
se
.
C
o
r
r
e
s
p
o
nd
ing
A
uth
o
r
:
R
aj
asek
ar
an
Ma
r
is
w
a
m
y
Dep
ar
t
m
en
t o
f
C
o
m
p
u
ter
Scie
n
ce
,
A
d
h
ip
ar
asak
th
i
C
o
lle
g
e
o
f
A
r
ts
a
n
d
Scien
ce
(
Af
f
iliated
to
T
h
ir
u
v
all
u
v
ar
Un
iv
er
s
it
y
)
Vello
r
e
,
T
am
i
l N
ad
u
,
I
n
d
ia
E
m
ail:
m
ar
aj
asek
ar
an
@
g
m
a
il.
co
m
1.
I
NT
RO
D
UCT
I
O
N
T
h
e
r
ap
i
d
ad
v
an
ce
m
e
n
t
o
f
d
ig
ital
tech
n
o
lo
g
ie
s
h
a
s
f
u
n
d
am
e
n
tal
l
y
tr
a
n
s
f
o
r
m
ed
th
e
ed
u
ca
tio
n
al
lan
d
s
ca
p
e,
lead
in
g
to
t
h
e
e
m
er
g
e
n
ce
o
f
i
n
telli
g
e
n
t
le
ar
n
in
g
e
n
v
ir
o
n
m
en
t
s
a
n
d
te
ch
n
o
lo
g
y
-
e
n
h
a
n
ce
d
ed
u
ca
tio
n
al
ec
o
s
y
s
te
m
s
.
T
h
e
w
id
esp
r
ea
d
ad
o
p
tio
n
o
f
o
n
lin
e
lear
n
in
g
p
latf
o
r
m
s
,
v
ir
t
u
al
class
r
o
o
m
s
,
lear
n
in
g
m
an
a
g
e
m
e
n
t
s
y
s
te
m
s
(
L
MS)
,
an
d
m
ass
iv
e
o
p
en
o
n
li
n
e
co
u
r
s
es
(
MO
O
C
s
)
h
a
s
s
i
g
n
if
ica
n
tl
y
i
m
p
r
o
v
ed
th
e
ac
ce
s
s
ib
ilit
y
,
f
le
x
ib
ilit
y
,
an
d
s
ca
lab
ilit
y
o
f
ed
u
ca
tio
n
.
Fu
r
t
h
e
r
m
o
r
e,
th
e
in
teg
r
atio
n
o
f
in
ter
n
et
o
f
th
i
n
g
s
(
I
o
T
)
tech
n
o
lo
g
ies
h
as
en
ab
led
th
e
d
ev
elo
p
m
en
t
o
f
s
m
ar
t
class
r
o
o
m
s
in
w
h
ic
h
in
ter
co
n
n
ec
ted
d
ev
ices,
in
cl
u
d
i
n
g
e
m
b
ed
d
ed
ca
m
er
as,
s
m
ar
t
b
o
ar
d
s
,
w
ea
r
ab
le
s
en
s
o
r
s
,
an
d
ed
g
e
co
m
p
u
ti
n
g
m
o
d
u
le
s
,
co
n
ti
n
u
o
u
s
l
y
co
llect
an
d
p
r
o
ce
s
s
ed
u
ca
tio
n
al
d
ata
to
s
u
p
p
o
r
t
p
er
s
o
n
alize
d
lear
n
in
g
ex
p
er
ien
ce
s
.
T
h
e
i
n
cr
ea
s
i
n
g
r
elian
ce
o
n
d
ig
ita
l
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
I
SS
N:
2089
-
4864
A
r
ea
l
-
time
mu
lti
-
mo
d
a
l d
ee
p
lea
r
n
in
g
fr
a
mewo
r
k
fo
r
s
tu
d
en
t a
tten
tiven
ess
…
(
R
a
ja
s
ek
a
r
a
n
Ma
r
is
w
a
my
)
451
lear
n
in
g
i
n
f
r
astr
u
ctu
r
e
s
h
a
s
ac
ce
ler
ated
th
e
d
ep
lo
y
m
e
n
t o
f
d
i
s
tr
ib
u
ted
an
d
i
n
tel
lig
e
n
t e
d
u
ca
tio
n
al
ar
ch
i
tectu
r
e
s
ca
p
ab
le
o
f
s
u
p
p
o
r
tin
g
lar
g
e
-
s
c
ale
lear
n
er
p
o
p
u
latio
n
s
[
1
]
–
[
4
]
.
Desp
ite
th
e
n
u
m
er
o
u
s
ad
v
an
t
ag
es
o
f
f
er
ed
b
y
o
n
lin
e
a
n
d
s
m
ar
t
lear
n
in
g
en
v
ir
o
n
m
e
n
ts
,
m
ai
n
tai
n
in
g
s
tu
d
e
n
t
en
g
a
g
e
m
e
n
t
a
n
d
atte
n
ti
v
en
e
s
s
r
e
m
ain
s
a
cr
itical
ch
alle
n
g
e.
I
n
co
n
v
e
n
tio
n
al
c
lass
r
o
o
m
s
ett
in
g
s
,
in
s
tr
u
cto
r
s
ca
n
d
ir
ec
tl
y
o
b
s
er
v
e
lear
n
er
s
'
f
ac
ial
ex
p
r
es
s
io
n
s
,
g
az
e
p
atter
n
s
,
b
o
d
y
p
o
s
tu
r
e,
an
d
b
eh
av
io
r
al
r
esp
o
n
s
es
to
as
s
ess
e
n
g
ag
e
m
e
n
t
le
v
els
a
n
d
p
r
o
v
id
e
ti
m
el
y
in
ter
v
e
n
tio
n
s
.
Ho
w
e
v
er
,
s
u
c
h
d
ir
ec
t
o
b
s
er
v
atio
n
b
ec
o
m
e
s
i
n
cr
ea
s
i
n
g
l
y
d
if
f
ic
u
lt
in
o
n
li
n
e
lear
n
i
n
g
en
v
ir
o
n
m
en
ts
a
n
d
lar
g
e
-
s
ca
le
s
m
ar
t
class
r
o
o
m
s
w
h
er
e
in
s
tr
u
cto
r
s
m
u
s
t
s
i
m
u
lta
n
eo
u
s
l
y
m
o
n
i
to
r
n
u
m
er
o
u
s
lear
n
er
s
ac
r
o
s
s
d
is
tr
ib
u
ted
lo
ca
ti
o
n
s
.
C
o
n
s
eq
u
e
n
tl
y
,
s
tu
d
e
n
ts
m
a
y
e
x
p
er
ien
ce
d
is
tr
ac
tio
n
s
,
r
ed
u
ce
d
m
o
tiv
at
io
n
,
co
g
n
iti
v
e
f
atig
u
e,
an
d
d
i
m
i
n
i
s
h
ed
co
n
ce
n
tr
atio
n
,
ad
v
er
s
el
y
a
f
f
ec
ti
n
g
lear
n
i
n
g
o
u
tco
m
es
an
d
ac
ad
e
m
ic
p
er
f
o
r
m
a
n
ce
.
T
h
er
ef
o
r
e,
co
n
ti
n
u
o
u
s
m
o
n
ito
r
in
g
an
d
ass
es
s
m
en
t
o
f
lear
n
er
atte
n
ti
v
en
es
s
h
a
v
e
b
ec
o
m
e
ess
e
n
tia
l
c
o
m
p
o
n
en
t
s
o
f
m
o
d
er
n
ed
u
ca
ti
o
n
al
s
y
s
te
m
s
ai
m
ed
at
i
m
p
r
o
v
i
n
g
i
n
s
tr
u
ctio
n
al
ef
f
e
ctiv
e
n
ess
a
n
d
p
er
s
o
n
alize
d
lea
r
n
in
g
s
u
p
p
o
r
t [
5
]
–
[
8
]
.
A
tte
n
ti
v
e
n
es
s
r
ep
r
esen
ts
a
lear
n
er
's
co
g
n
iti
v
e,
e
m
o
tio
n
al,
an
d
b
eh
av
io
r
al
in
v
o
lv
e
m
e
n
t
i
n
t
h
e
lear
n
i
n
g
p
r
o
ce
s
s
.
I
t
en
co
m
p
as
s
es
m
u
l
ti
p
le
d
im
e
n
s
io
n
s
,
in
c
lu
d
i
n
g
v
is
u
al
atten
tio
n
,
in
f
o
r
m
a
tio
n
p
r
o
ce
s
s
i
n
g
,
e
m
o
t
io
n
al
en
g
a
g
e
m
en
t,
p
ar
ticip
atio
n
le
v
els,
a
n
d
r
esp
o
n
s
iv
e
n
es
s
to
i
n
s
tr
u
ctio
n
al
co
n
te
n
t.
T
r
ad
itio
n
al
ap
p
r
o
ac
h
es
f
o
r
ass
es
s
i
n
g
atte
n
ti
v
e
n
es
s
,
s
u
c
h
as
s
el
f
-
r
ep
o
r
ted
s
u
r
v
e
y
s
,
q
u
esti
o
n
n
a
ir
es,
q
u
izze
s
,
a
n
d
m
an
u
al
i
n
s
tr
u
cto
r
o
b
s
er
v
atio
n
s
,
ar
e
o
f
ten
s
u
b
j
ec
tiv
e
an
d
f
ail
to
ca
p
tu
r
e
th
e
d
y
n
a
m
ic
n
atu
r
e
o
f
lear
n
er
en
g
a
g
e
m
e
n
t.
Mo
r
eo
v
er
,
th
ese
ap
p
r
o
ac
h
es
ar
e
in
ca
p
a
b
l
e
o
f
p
r
o
v
id
in
g
co
n
t
in
u
o
u
s
r
ea
l
-
ti
m
e
f
ee
d
b
ac
k
n
ec
es
s
ar
y
f
o
r
ad
ap
tiv
e
lear
n
in
g
s
y
s
te
m
s
an
d
i
n
telli
g
e
n
t
ed
u
c
atio
n
al
in
ter
v
e
n
tio
n
s
.
T
h
e
in
cr
ea
s
in
g
d
e
m
a
n
d
f
o
r
o
b
j
ec
ti
v
e
an
d
au
to
m
ated
atten
ti
v
e
n
ess
a
s
s
e
s
s
m
e
n
t
h
a
s
m
o
ti
v
ated
r
esear
ch
er
s
to
ex
p
lo
r
e
d
ata
-
d
r
iv
en
ap
p
r
o
ac
h
es
ca
p
ab
le
o
f
co
n
tin
u
o
u
s
l
y
m
o
n
ito
r
in
g
lear
n
er
b
eh
av
io
r
in
r
ea
l
-
w
o
r
ld
ed
u
c
atio
n
al
s
ett
in
g
s
[9
]
–
[
1
2
]
.
R
ec
en
t
d
e
v
elo
p
m
e
n
ts
i
n
ar
ti
f
i
cial
in
tel
lig
e
n
ce
,
co
m
p
u
ter
v
i
s
io
n
,
an
d
ed
u
ca
tio
n
al
d
ata
an
al
y
tics
h
a
v
e
en
ab
led
th
e
a
u
to
m
ated
ass
e
s
s
m
e
n
t
o
f
s
t
u
d
en
t
atte
n
ti
v
en
e
s
s
u
s
i
n
g
m
u
l
ti
m
o
d
al
s
en
s
o
r
y
d
ata.
E
m
b
ed
d
ed
ca
m
er
as
an
d
I
o
T
-
en
ab
led
s
en
s
in
g
d
ev
ices
co
n
tin
u
o
u
s
l
y
g
e
n
er
ate
v
is
u
al
a
n
d
b
eh
av
io
r
al
in
f
o
r
m
atio
n
t
h
at
ca
n
b
e
an
al
y
ze
d
u
s
in
g
d
ee
p
lear
n
in
g
tec
h
n
iq
u
es.
C
o
n
v
o
lu
tio
n
al
n
eu
r
al
n
et
w
o
r
k
s
(
C
NN
s
)
h
av
e
d
e
m
o
n
s
tr
ated
r
e
m
ar
k
ab
le
e
f
f
ec
tiv
e
n
e
s
s
i
n
e
x
tr
ac
ti
n
g
d
i
s
cr
i
m
in
at
iv
e
s
p
ati
al
f
ea
t
u
r
es
s
u
c
h
a
s
f
ac
ial
e
x
p
r
ess
io
n
s
,
e
y
e
g
az
e
d
ir
ec
tio
n
,
h
ea
d
o
r
ien
tatio
n
,
a
n
d
b
eh
av
io
r
al
p
atter
n
s
.
A
d
d
it
io
n
all
y
,
te
m
p
o
r
al
d
ep
en
d
en
ci
es
ass
o
ciate
d
w
i
th
lear
n
er
en
g
a
g
e
m
en
t
ca
n
b
e
ef
f
ec
ti
v
el
y
m
o
d
eled
u
s
in
g
r
ec
u
r
r
en
t
n
eu
r
al
ar
ch
i
tectu
r
e
s
s
u
c
h
as
lo
n
g
s
h
o
r
t
-
ter
m
m
e
m
o
r
y
(
L
ST
M)
n
et
w
o
r
k
s
.
T
h
e
in
te
g
r
atio
n
o
f
C
NN
an
d
L
S
T
M
m
o
d
els
f
ac
il
itates
t
h
e
d
ev
elo
p
m
e
n
t
o
f
r
o
b
u
s
t
s
p
atio
-
te
m
p
o
r
al
atten
tiv
e
n
e
s
s
r
ec
o
g
n
itio
n
s
y
s
te
m
s
ca
p
ab
le
o
f
ca
p
tu
r
in
g
b
o
th
in
s
ta
n
ta
n
eo
u
s
v
i
s
u
a
l
cu
es
an
d
lo
n
g
-
ter
m
b
eh
a
v
io
r
al
d
y
n
a
m
i
cs,
th
er
eb
y
i
m
p
r
o
v
in
g
t
h
e
ac
cu
r
ac
y
o
f
e
n
g
a
g
e
m
en
t
p
r
ed
ictio
n
i
n
ed
u
ca
t
io
n
al
en
v
ir
o
n
m
e
n
t
s
[
1
3
]
–
[
1
6
]
.
I
n
ad
d
itio
n
to
C
NN
-
L
ST
M
ar
ch
itectu
r
es,
s
e
v
er
al
s
tu
d
i
es
h
av
e
i
n
v
e
s
ti
g
ated
ad
v
an
ce
d
f
ac
ial
ex
p
r
ess
io
n
r
ec
o
g
n
itio
n
an
d
a
t
ten
tio
n
m
o
d
elin
g
tec
h
n
iq
u
es
t
o
en
h
a
n
ce
lear
n
er
b
eh
av
io
r
an
al
y
s
i
s
.
Atten
t
io
n
-
a
w
ar
e
d
ee
p
lear
n
in
g
f
r
a
m
e
wo
r
k
s
,
en
s
e
m
b
le
lear
n
in
g
m
o
d
els,
g
az
e
esti
m
a
tio
n
ap
p
r
o
ac
h
es,
an
d
co
m
p
u
ter
v
is
io
n
-
b
ased
b
eh
av
io
r
al
r
ec
o
g
n
itio
n
s
y
s
te
m
s
h
a
v
e
d
e
m
o
n
s
tr
ated
co
n
s
id
er
ab
le
s
u
cc
e
s
s
in
id
e
n
ti
f
y
in
g
en
g
a
g
e
m
en
t
-
r
elate
d
p
atter
n
s
u
n
d
er
u
n
co
n
s
tr
ain
ed
clas
s
r
o
o
m
co
n
d
itio
n
s
.
T
h
ese
s
y
s
te
m
s
le
v
er
ag
e
f
ac
ia
l
lan
d
m
ar
k
s
,
e
m
o
tio
n
a
l
s
ta
tes,
p
o
s
tu
r
e
in
f
o
r
m
a
tio
n
,
a
n
d
v
is
u
al
atten
tio
n
i
n
d
icato
r
s
to
p
r
o
v
id
e
m
o
r
e
ac
c
u
r
ate
an
d
co
m
p
r
e
h
en
s
iv
e
a
s
s
es
s
m
en
ts
o
f
lear
n
er
atten
t
iv
e
n
es
s
.
Su
ch
ad
v
an
ce
m
e
n
ts
h
i
g
h
l
ig
h
t
t
h
e
g
r
o
w
i
n
g
p
o
ten
t
ial
o
f
ar
ti
f
icial
i
n
tel
lig
e
n
ce
-
d
r
iv
en
ed
u
ca
t
io
n
al
a
n
al
y
tic
s
f
o
r
s
u
p
p
o
r
tin
g
i
n
tell
ig
e
n
t
teac
h
in
g
a
n
d
lear
n
i
n
g
p
r
o
ce
s
s
es [
1
7
]
–
[
1
9
]
.
A
lt
h
o
u
g
h
e
x
is
tin
g
at
ten
t
iv
e
n
ess
d
etec
tio
n
f
r
a
m
e
w
o
r
k
s
h
a
v
e
ac
h
iev
ed
p
r
o
m
i
s
i
n
g
cla
s
s
i
f
icatio
n
p
er
f
o
r
m
a
n
ce
,
th
eir
p
r
ac
tical
d
ep
lo
y
m
e
n
t
w
it
h
in
I
o
T
-
en
ab
led
s
m
ar
t
clas
s
r
o
o
m
e
n
v
i
r
o
n
m
e
n
ts
r
e
m
ai
n
s
ch
alle
n
g
i
n
g
.
R
ea
l
-
t
i
m
e
atte
n
ti
v
en
e
s
s
m
o
n
ito
r
in
g
r
eq
u
ir
es
lo
w
-
laten
c
y
i
n
f
er
en
ce
,
h
ig
h
co
m
p
u
tat
io
n
al
ef
f
icien
c
y
,
a
n
d
r
eliab
le
o
p
er
atio
n
u
n
d
er
r
eso
u
r
ce
-
co
n
s
tr
ain
e
d
co
n
d
itio
n
s
.
Fo
r
v
id
eo
-
b
ased
lear
n
i
n
g
an
al
y
tic
s
,
in
f
er
en
ce
late
n
c
y
m
u
s
t
t
y
p
ical
l
y
r
e
m
ai
n
b
elo
w
3
3
m
s
p
er
f
r
a
m
e
to
s
u
p
p
o
r
t
r
ea
l
-
ti
m
e
p
r
o
ce
s
s
i
n
g
at
3
0
f
r
a
m
e
s
p
er
s
ec
o
n
d
.
Ho
w
e
v
er
,
d
ee
p
C
NN
-
L
ST
M
ar
ch
itectu
r
es
o
f
t
en
in
v
o
lv
e
s
u
b
s
tan
t
ial
co
m
p
u
tatio
n
al
co
m
p
le
x
it
y
,
m
e
m
o
r
y
co
n
s
u
m
p
tio
n
,
a
n
d
en
er
g
y
r
eq
u
ir
e
m
e
n
t
s
.
R
eso
u
r
ce
-
co
n
s
tr
ai
n
ed
ed
g
e
d
ev
ice
s
,
in
cl
u
d
in
g
f
ield
p
r
o
g
r
am
m
ab
le
g
ate
ar
r
a
y
(
FP
GA
)
-
b
ased
ac
ce
ler
ato
r
s
,
s
y
s
te
m
-
on
-
c
h
ip
(
So
C
)
p
latf
o
r
m
s
,
an
d
lo
w
-
p
o
w
er
e
m
b
ed
d
ed
p
r
o
ce
s
s
o
r
s
,
f
r
eq
u
en
tl
y
lac
k
th
e
co
m
p
u
tat
io
n
al
r
eso
u
r
ce
s
n
ec
es
s
ar
y
to
ex
ec
u
te
lar
g
e
-
s
ca
le
d
ee
p
lear
n
in
g
m
o
d
el
s
ef
f
icie
n
tl
y
.
Fu
r
th
er
m
o
r
e,
tr
an
s
m
itti
n
g
r
a
w
v
id
eo
s
tr
ea
m
s
to
clo
u
d
s
er
v
er
s
in
tr
o
d
u
ce
s
s
ig
n
i
f
ica
n
t
co
m
m
u
n
icatio
n
o
v
er
h
ea
d
,
n
et
w
o
r
k
co
n
g
e
s
tio
n
,
p
r
iv
ac
y
co
n
ce
r
n
s
,
an
d
in
cr
ea
s
e
d
r
esp
o
n
s
e
laten
c
y
,
th
er
eb
y
li
m
iti
n
g
th
e
p
r
ac
ticalit
y
o
f
ce
n
tr
alize
d
p
r
o
ce
s
s
in
g
ap
p
r
o
ac
h
es [
2
0
]
–
[
2
2
]
.
E
x
is
ti
n
g
r
esear
ch
p
r
ed
o
m
i
n
an
tl
y
f
o
cu
s
e
s
o
n
i
m
p
r
o
v
i
n
g
a
tte
n
ti
v
en
e
s
s
cla
s
s
i
f
icatio
n
ac
cu
r
ac
y
w
it
h
i
n
s
o
f
t
w
ar
e
-
o
r
ien
ted
en
v
ir
o
n
m
e
n
ts
w
h
ile
p
a
y
i
n
g
li
m
ited
atten
tio
n
to
h
ar
d
w
ar
e
-
a
w
ar
e
o
p
tim
iza
tio
n
an
d
e
m
b
ed
d
ed
d
ep
l
o
y
m
e
n
t
co
n
s
id
er
atio
n
s
.
Mo
s
t
ex
i
s
ti
n
g
s
y
s
te
m
s
r
el
y
o
n
ce
n
tr
alize
d
co
m
p
u
tin
g
ar
ch
itect
u
r
es
o
r
s
in
g
le
-
m
o
d
al
s
en
s
in
g
ap
p
r
o
ac
h
es,
m
ak
in
g
t
h
e
m
u
n
s
u
ita
b
le
f
o
r
lar
g
e
-
s
ca
le
r
ea
l
-
ti
m
e
s
m
ar
t
cla
s
s
r
o
o
m
i
m
p
le
m
en
ta
tio
n
s
.
A
lt
h
o
u
g
h
r
ec
en
t
s
t
u
d
ies
h
a
v
e
ex
p
lo
r
ed
s
tu
d
en
t
b
eh
a
v
io
r
r
ec
o
g
n
itio
n
,
p
o
s
e
esti
m
atio
n
,
an
d
v
id
eo
-
b
ased
class
r
o
o
m
an
a
l
y
t
ics,
r
elativ
el
y
f
e
w
i
n
v
e
s
ti
g
ati
o
n
s
h
a
v
e
ad
d
r
ess
ed
cr
itical
is
s
u
e
s
s
u
c
h
as
m
o
d
el
m
o
d
u
lar
it
y
,
p
ip
elin
e
p
ar
allelis
m
,
q
u
a
n
tizatio
n
-
a
w
ar
e
d
esi
g
n
,
h
ar
d
w
ar
e
-
s
o
f
t
w
ar
e
co
-
o
p
tim
izatio
n
,
r
eso
u
r
ce
-
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
0
8
9
-
4864
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
,
Vo
l.
15
,
No
.
2
,
J
u
l
y
202
6
:
450
-
4
6
0
452
ef
f
icien
t
i
n
f
er
e
n
ce
,
a
n
d
FP
GA
/
v
er
y
lar
g
e
s
ca
le
i
n
te
g
r
atio
n
(
VL
SI)
i
m
p
le
m
e
n
tatio
n
r
ea
d
in
es
s
.
F
u
r
th
er
m
o
r
e,
th
e
i
n
teg
r
atio
n
o
f
r
ea
l
-
ti
m
e
ed
g
e
in
telli
g
en
ce
w
i
th
o
f
f
lin
e
ed
u
ca
tio
n
al
a
n
al
y
tic
s
r
e
m
ai
n
s
lar
g
el
y
u
n
ex
p
lo
r
ed
in
cu
r
r
en
t
li
ter
at
u
r
e
[
2
3
]
–
[
2
5
]
.
T
h
ese
li
m
ita
tio
n
s
r
e
v
ea
l
a
s
i
g
n
i
f
ican
t
r
esear
ch
g
ap
at
th
e
i
n
ter
s
ec
tio
n
o
f
ed
u
ca
tio
n
al
a
n
al
y
tics
,
d
ee
p
lear
n
in
g
,
I
o
T
co
m
p
u
ti
n
g
,
an
d
r
ec
o
n
f
ig
u
r
ab
le
e
m
b
ed
d
ed
s
y
s
te
m
s
.
T
h
er
e
is
an
u
r
g
en
t
n
ee
d
f
o
r
a
u
n
if
ied
atten
ti
v
e
n
ess
m
o
n
ito
r
in
g
f
r
a
m
e
w
o
r
k
t
h
at
n
o
t
o
n
l
y
ac
h
ie
v
es
h
i
g
h
clas
s
i
f
icatio
n
ac
cu
r
ac
y
b
u
t
a
ls
o
s
u
p
p
o
r
ts
ef
f
icien
t
d
ep
lo
y
m
en
t
o
n
r
eso
u
r
ce
-
co
n
s
tr
ai
n
ed
ed
g
e
d
ev
ices
an
d
r
ec
o
n
f
ig
u
r
ab
le
h
ar
d
w
ar
e
p
latf
o
r
m
s
.
Su
c
h
a
f
r
a
m
e
w
o
r
k
s
h
o
u
ld
f
ac
ilit
ate
l
o
w
-
late
n
c
y
in
f
er
e
n
ce
,
s
ca
lab
le
o
p
e
r
atio
n
,
p
r
iv
ac
y
-
p
r
eser
v
i
n
g
p
r
o
ce
s
s
in
g
,
an
d
s
ea
m
le
s
s
i
n
te
g
r
atio
n
w
it
h
i
n
I
o
T
-
en
ab
led
s
m
ar
t c
las
s
r
o
o
m
in
f
r
astru
ct
u
r
es.
2.
L
I
T
E
R
AT
U
RE
R
E
VI
E
W
Mo
n
ito
r
in
g
s
t
u
d
en
t
atte
n
ti
v
en
ess
is
cr
u
cia
l
f
o
r
i
m
p
r
o
v
i
n
g
lear
n
in
g
o
u
tco
m
es
i
n
b
o
th
p
h
y
s
ical
a
n
d
o
n
lin
e
lear
n
i
n
g
en
v
ir
o
n
m
e
n
ts
.
A
t
ten
t
iv
e
n
es
s
is
a
m
u
lti
-
d
i
m
en
s
io
n
al
co
n
s
tr
u
ct
th
at
e
n
co
m
p
a
s
s
e
s
b
eh
a
v
io
r
al,
co
g
n
iti
v
e,
a
n
d
e
m
o
tio
n
al
asp
ec
ts
o
f
e
n
g
a
g
e
m
e
n
t.
A
cc
u
r
ate
l
y
ca
p
tu
r
i
n
g
th
is
co
n
s
tr
u
c
t
r
em
ai
n
s
a
c
h
alle
n
g
e
,
p
ar
ticu
lar
l
y
i
n
o
n
li
n
e
o
r
h
y
b
r
i
d
lear
n
in
g
co
n
te
x
ts
,
w
h
er
e
tr
ad
itio
n
al
o
b
s
er
v
atio
n
al
c
u
es
ar
e
li
m
ited
.
A
g
r
o
w
i
n
g
b
o
d
y
o
f
r
esear
ch
h
as
ex
p
lo
r
e
d
th
e
u
s
e
o
f
ad
v
a
n
ce
d
s
e
n
s
i
n
g
tec
h
n
o
lo
g
ies,
co
m
p
u
ter
v
i
s
io
n
,
an
d
m
ac
h
i
n
e
lear
n
in
g
tec
h
n
iq
u
es to
q
u
a
n
ti
f
y
atten
tiv
e
n
e
s
s
o
b
j
ec
tiv
el
y
.
R
ec
en
t
s
tu
d
ie
s
h
av
e
d
e
m
o
n
s
tr
ated
th
e
p
o
ten
tial
o
f
u
s
i
n
g
w
e
ar
ab
le
s
en
s
o
r
s
an
d
w
ir
ele
s
s
n
et
w
o
r
k
s
f
o
r
r
ea
l
-
ti
m
e
atten
t
iv
e
n
es
s
ass
e
s
s
m
en
t.
T
h
ao
et
a
l.
[
1
]
p
r
o
p
o
s
e
d
a
f
r
am
e
w
o
r
k
i
n
te
g
r
atin
g
p
h
y
s
io
lo
g
ical
s
i
g
n
al
s
,
in
cl
u
d
in
g
h
ea
r
t
r
ate,
g
alv
a
n
ic
s
k
i
n
r
esp
o
n
s
e,
an
d
m
o
tio
n
p
atter
n
s
,
w
ith
d
ee
p
lear
n
in
g
m
o
d
el
s
to
m
o
n
ito
r
atten
tio
n
.
T
h
eir
f
i
n
d
i
n
g
s
i
n
d
icate
d
th
at
co
m
b
in
in
g
m
u
lti
p
le
p
h
y
s
io
lo
g
ical
s
i
g
n
al
s
i
m
p
r
o
v
es
p
r
ed
ictio
n
ac
cu
r
ac
y
co
m
p
ar
ed
to
s
i
n
g
l
e
-
s
e
n
s
o
r
ap
p
r
o
ac
h
es.
E
lectr
o
en
ce
p
h
alo
g
r
a
m
(
E
E
G)
s
i
g
n
a
ls
h
a
v
e
also
b
ee
n
e
m
p
lo
y
ed
to
p
r
o
v
id
e
a
d
ir
ec
t
m
ea
s
u
r
e
o
f
co
g
n
iti
v
e
en
g
ag
e
m
en
t.
Up
ad
h
y
a
y
et
a
l.
[
2
]
co
l
lecte
d
E
E
G
d
ata
in
co
n
j
u
n
ctio
n
w
it
h
a
u
d
io
-
v
is
u
al
lear
n
in
g
co
n
ten
t
an
d
ap
p
lied
d
ee
p
lear
n
in
g
tec
h
n
iq
u
e
s
to
d
if
f
er
en
tiate
atte
n
ti
v
e
an
d
in
atte
n
ti
v
e
s
tate
s
.
W
h
ile
th
ese
s
e
n
s
o
r
-
d
r
i
v
en
ap
p
r
o
ac
h
es
ar
e
p
r
ec
is
e,
th
e
y
o
f
ten
r
eq
u
ir
e
s
p
ec
ialized
h
ar
d
w
ar
e,
li
m
iti
n
g
s
ca
lab
ilit
y
i
n
lar
g
e
o
n
l
in
e
lear
n
in
g
e
n
v
ir
o
n
m
e
n
t
s
.
R
es
e
a
r
ch
h
as
al
s
o
em
p
h
as
iz
e
d
t
h
e
r
o
l
e
o
f
s
o
ci
a
l
a
n
d
af
f
e
c
ti
v
e
f
a
ct
o
r
s
i
n
a
tt
en
t
iv
en
ess
.
Pu
tw
a
in
et
a
l
.
[
3
]
in
v
e
s
ti
g
ated
th
e
r
elatio
n
s
h
ip
s
b
etw
ee
n
ac
ad
e
m
ic
en
j
o
y
m
e
n
t,
b
o
r
ed
o
m
,
an
d
ac
h
iev
e
m
e
n
t,
estab
lis
h
i
n
g
th
a
t
e
m
o
tio
n
al
en
g
a
g
e
m
e
n
t
d
ir
ec
tly
i
n
f
lu
e
n
ce
s
atte
n
tio
n
a
l
s
ta
tes
o
v
er
ti
m
e.
Si
m
i
lar
l
y
,
Haa
taj
a
et
a
l.
[
4
]
ex
p
lo
r
ed
teac
h
er
-
s
t
u
d
en
t
e
y
e
co
n
tac
t
d
u
r
in
g
g
r
o
u
p
w
o
r
k
u
s
i
n
g
m
u
l
ti
-
p
er
s
o
n
g
az
e
-
tr
ac
k
i
n
g
,
r
ev
ea
li
n
g
th
at
m
u
t
u
al
g
az
e
an
d
teac
h
er
r
esp
o
n
s
i
v
e
n
ess
s
ig
n
i
f
ican
tl
y
co
r
r
elate
d
w
i
th
s
u
s
tai
n
ed
s
t
u
d
en
t
atte
n
ti
o
n
.
T
h
ese
f
in
d
i
n
g
s
u
n
d
er
s
co
r
e
th
e
i
m
p
o
r
tan
ce
o
f
co
n
s
id
er
in
g
s
o
cial
an
d
e
m
o
t
io
n
al
f
ac
to
r
s
alo
n
g
s
id
e
p
h
y
s
i
o
lo
g
ical
in
d
icato
r
s
w
h
e
n
ass
e
s
s
i
n
g
lear
n
er
en
g
a
g
e
m
en
t.
Vis
u
a
l
cu
e
s
s
u
ch
a
s
f
ac
ial
e
x
p
r
ess
io
n
s
,
e
y
e
g
az
e,
a
n
d
h
ea
d
p
o
s
tu
r
e
h
a
v
e
b
ee
n
e
x
ten
s
i
v
el
y
u
tili
ze
d
to
in
f
er
atten
ti
v
e
n
es
s
.
Z
h
a
n
g
[
5
]
d
em
o
n
s
tr
ated
th
e
e
f
f
ec
t
i
v
en
e
s
s
o
f
e
x
tr
ac
ti
n
g
f
ac
ial
in
f
o
r
m
atio
n
f
r
o
m
ed
u
ca
tio
n
al
i
m
a
g
e
d
ata
f
o
r
lear
n
in
g
b
eh
a
v
io
r
an
al
y
s
i
s
.
L
i
k
e
w
i
s
e,
Z
a
k
k
a
an
d
Vad
ap
alli
[
6
]
h
ig
h
lig
h
ted
t
h
e
v
alu
e
o
f
f
ac
ia
l
e
m
o
t
io
n
r
ec
o
g
n
itio
n
as
an
in
d
icato
r
o
f
lear
n
in
g
a
f
f
ec
t
an
d
e
n
g
ag
e
m
e
n
t.
B
u
ild
in
g
u
p
o
n
th
e
s
e
v
is
u
al
a
n
al
y
s
is
tech
n
iq
u
e
s
,
Xi
o
n
g
et
a
l.
[
7
]
d
ev
elo
p
ed
a
C
NN
-
tr
a
n
s
f
o
r
m
er
f
r
a
m
e
w
o
r
k
t
h
at
co
m
b
i
n
es
C
NN
s
f
o
r
s
p
atial
f
ea
t
u
r
e
e
x
tr
ac
tio
n
w
it
h
tr
an
s
f
o
r
m
er
la
y
er
s
f
o
r
te
m
p
o
r
al
m
o
d
eli
n
g
o
f
v
id
eo
d
ata.
T
h
eir
ap
p
r
o
ac
h
s
u
cc
e
s
s
f
u
ll
y
ca
p
tu
r
ed
b
o
th
s
h
o
r
t
-
ter
m
f
lu
ct
u
atio
n
s
an
d
lo
n
g
-
ter
m
tr
e
n
d
s
in
s
t
u
d
en
t
en
g
ag
e
m
en
t.
Fu
r
t
h
er
m
o
r
e,
Xie
et
a
l.
[
8
]
em
p
lo
y
ed
m
u
lti
-
d
i
m
en
s
io
n
al
f
ea
t
u
r
e
f
u
s
io
n
b
y
in
te
g
r
atin
g
f
ac
ial
ac
tio
n
u
n
its
,
g
az
e
d
ir
ec
tio
n
,
an
d
b
o
d
y
p
o
s
tu
r
e,
d
e
m
o
n
s
tr
ati
n
g
t
h
at
co
m
b
i
n
in
g
m
u
ltip
le
v
is
u
al
an
d
b
eh
av
io
r
al
f
ea
tu
r
es
i
m
p
r
o
v
es
atte
n
ti
v
en
e
s
s
d
etec
tio
n
p
er
f
o
r
m
a
n
ce
.
Sh
a
h
et
a
l.
[
1
0
]
ex
am
i
n
ed
b
eh
av
i
o
r
al
m
o
n
i
to
r
in
g
i
n
e
-
lear
n
in
g
b
y
tr
ac
k
i
n
g
h
ea
d
m
o
v
e
m
e
n
ts
,
f
ac
ial
ex
p
r
ess
io
n
s
,
an
d
in
ter
ac
tio
n
p
atter
n
s
,
s
h
o
w
i
n
g
th
at
v
id
eo
-
b
ased
an
al
y
s
i
s
alo
n
e
ca
n
r
eliab
l
y
esti
m
ate
atten
tiv
e
n
e
s
s
an
d
p
r
o
v
id
e
a
s
ca
lab
le
s
o
lu
t
io
n
f
o
r
o
n
lin
e
co
u
r
s
e
s
.
H
y
b
r
id
an
d
m
u
lti
-
m
o
d
al
f
r
a
m
e
w
o
r
k
s
h
av
e
e
m
er
g
ed
as
ef
f
ec
tiv
e
s
o
l
u
tio
n
s
f
o
r
im
p
r
o
v
in
g
atten
ti
v
e
n
ess
d
etec
tio
n
.
T
h
e
p
h
y
s
io
lo
g
ical
s
en
s
i
n
g
ap
p
r
o
ac
h
p
r
o
p
o
s
ed
b
y
T
h
ao
et
a
l.
[
1
]
d
em
o
n
s
tr
ated
th
e
ad
v
an
ta
g
es
o
f
co
m
b
i
n
i
n
g
m
u
ltip
le
b
io
m
etr
ic
s
i
g
n
als
f
o
r
atten
tio
n
ass
es
s
m
en
t,
w
h
ile
t
h
e
v
is
u
a
l
an
al
y
tics
f
r
a
m
e
w
o
r
k
s
d
ev
elo
p
ed
b
y
X
i
o
n
g
et
a
l.
[
7
]
an
d
Xie
et
a
l.
[
8
]
s
h
o
w
ed
th
at
i
n
te
g
r
atin
g
s
p
atial,
te
m
p
o
r
al,
an
d
b
eh
av
io
r
al
in
f
o
r
m
a
tio
n
ca
n
ca
p
tu
r
e
co
m
p
lex
e
n
g
a
g
e
m
en
t p
atter
n
s
t
h
at
s
in
g
le
-
m
o
d
alit
y
s
y
s
te
m
s
m
a
y
o
v
er
lo
o
k
.
C
o
llecti
v
el
y
,
t
h
ese
s
t
u
d
ies
i
n
d
icate
th
at
in
co
r
p
o
r
atin
g
co
g
n
iti
v
e,
e
m
o
tio
n
a
l,
p
h
y
s
io
lo
g
i
ca
l,
an
d
b
eh
av
io
r
al
d
i
m
en
s
io
n
s
p
r
o
v
id
es a
m
o
r
e
co
m
p
r
e
h
en
s
iv
e
u
n
d
er
s
tan
d
i
n
g
o
f
lear
n
er
atte
n
ti
v
en
e
s
s
.
3.
M
E
T
H
O
D
T
h
is
s
e
cti
o
n
p
r
es
en
ts
th
e
p
r
o
p
o
s
e
d
s
ca
la
b
le
h
y
b
r
i
d
d
ee
p
lea
r
n
in
g
f
r
am
e
w
o
r
k
(
S
HDL
F)
f
o
r
r
o
b
u
s
t
an
d
T
h
is
s
tu
d
y
p
r
o
p
o
s
es
a
d
a
ta
-
d
r
i
v
en
f
r
am
ew
o
r
k
f
o
r
ass
ess
in
g
s
tu
d
en
t
a
tten
t
iv
en
ess
in
b
o
th
r
e
al
-
tim
e
an
d
v
i
d
e
o
-
b
as
ed
o
n
lin
e
le
a
r
n
in
g
en
v
ir
o
n
m
en
ts
.
T
h
e
f
r
am
ew
o
r
k
in
teg
r
a
tes
m
u
lti
-
m
o
d
al
f
ea
tu
r
es
f
r
o
m
v
is
u
al,
b
eh
av
io
r
a
l,
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
I
SS
N:
2089
-
4864
A
r
ea
l
-
time
mu
lti
-
mo
d
a
l d
ee
p
lea
r
n
in
g
fr
a
mewo
r
k
fo
r
s
tu
d
en
t a
tten
tiven
ess
…
(
R
a
ja
s
ek
a
r
a
n
Ma
r
is
w
a
my
)
453
an
d
t
em
p
o
r
al
s
o
u
r
ce
s
,
an
d
a
d
o
p
t
a
C
NN
-
L
S
T
M
d
ee
p
l
ea
r
n
in
g
ar
ch
ite
ctu
r
e
t
o
class
if
y
atten
t
iv
en
ess
.
T
h
e
m
eth
o
d
o
lo
g
y
is
d
esig
n
e
d
t
o
o
p
e
r
at
e
d
u
r
in
g
l
iv
e
o
n
lin
e
s
e
s
s
io
n
s
an
d
r
et
r
o
s
p
ec
tiv
ely
o
n
r
e
c
o
r
d
e
d
lec
tu
r
es,
p
r
o
v
i
d
in
g
in
s
tr
u
c
to
r
s
w
ith
ac
ti
o
n
a
b
le
in
s
ig
h
ts
t
o
im
p
r
o
v
e
en
g
ag
em
en
t a
n
d
le
ar
n
in
g
o
u
t
c
o
m
es.
T
h
is
s
t
u
d
y
f
o
r
m
u
lates
s
t
u
d
e
n
t
atten
ti
v
e
n
ess
esti
m
atio
n
as
a
s
u
p
er
v
is
ed
b
i
n
ar
y
cla
s
s
i
f
icatio
n
p
r
o
b
le
m
o
v
er
s
y
n
c
h
r
o
n
ized
m
u
lt
i
-
m
o
d
al
te
m
p
o
r
al
d
ata
s
tr
ea
m
s
.
Gi
v
en
a
s
et
o
f
ti
m
e
-
ali
g
n
ed
i
n
p
u
t
s
co
m
p
r
is
in
g
v
i
s
u
a
l
f
r
a
m
e
s
,
b
eh
av
io
r
al
in
ter
ac
tio
n
lo
g
s
,
an
d
s
es
s
io
n
-
le
v
el
m
e
tad
ata,
th
e
o
b
j
ec
ti
v
e
is
to
lear
n
a
m
ap
p
i
n
g
t
h
at
p
r
ed
icts
th
e
p
r
o
b
ab
ilit
y
o
f
atte
n
ti
v
en
e
s
s
at
ea
c
h
ti
m
e
s
tep
.
Fo
r
m
all
y
,
le
t th
e
m
u
lti
-
m
o
d
al
d
ataset
b
e
d
ef
in
ed
as:
=
{
(
,
,
,
)
}
=
1
w
h
er
e
,
∈
×
×
3
d
en
o
tes
t
h
e
R
GB
v
i
d
eo
f
r
a
m
e,
∈
r
ep
r
esen
ts
b
eh
a
v
io
r
al
in
ter
ac
tio
n
f
ea
tu
r
e
s
,
∈
d
en
o
tes te
m
p
o
r
al
m
etad
ata
f
e
atu
r
es,
an
d
∈
{
0
,
1
}
is
th
e
g
r
o
u
n
d
-
tr
u
t
h
atten
ti
v
en
e
s
s
lab
el.
T
h
e
o
b
j
ec
tiv
e
is
to
lear
n
a
p
ar
a
m
etr
ic
f
u
n
ctio
n
:
:
×
×
→
[
0
,
1
]
w
h
er
e
Θ
d
en
o
tes
m
o
d
el
p
ar
am
eter
s
a
n
d
th
e
o
u
tp
u
t
r
ep
r
esen
ts
t
h
e
p
r
o
b
ab
ilit
y
o
f
th
e
s
t
u
d
en
t
b
ein
g
atte
n
ti
v
e
a
t
ti
m
e
t.
B
in
ar
y
clas
s
i
f
icatio
n
i
s
ad
o
p
ted
in
th
is
s
t
u
d
y
,
w
h
er
e:
=
1
in
d
icate
s
atten
t
iv
e
a
n
d
=
0
in
d
icate
s
in
atte
n
ti
v
e.
A
d
ec
is
io
n
th
r
e
s
h
o
ld
τ
=0
.
5
is
ap
p
lied
d
u
r
in
g
in
f
er
e
n
ce
.
3
.
1
.
Da
t
a
s
et
des
cr
iptio
n
T
h
e
s
tu
d
y
e
m
p
lo
y
s
a
d
u
al
d
ataset
ap
p
r
o
ac
h
to
en
s
u
r
e
d
iv
er
s
it
y
a
n
d
g
e
n
er
aliza
b
ilit
y
.
T
h
e
f
i
r
s
t
d
atase
t
is
a
cu
s
to
m
i
n
-
h
o
u
s
e
d
ataset,
co
llected
f
r
o
m
1
5
0
s
tu
d
en
ts
ac
r
o
s
s
m
u
l
tip
le
o
n
lin
e
co
u
r
s
e
s
o
v
er
s
ix
m
o
n
th
s
.
T
h
is
d
ataset
ca
p
tu
r
es:
−
Vis
u
a
l d
ata:
w
eb
ca
m
r
ec
o
r
d
in
g
s
o
f
s
tu
d
e
n
ts
’
f
ac
es a
n
d
u
p
p
er
b
o
d
ies d
u
r
in
g
s
y
n
c
h
r
o
n
o
u
s
s
ess
io
n
s
.
−
B
eh
av
io
r
al
i
n
ter
ac
tio
n
lo
g
s
:
c
lick
s
tr
ea
m
d
ata,
k
e
y
s
tr
o
k
e
s
,
f
o
r
u
m
p
ar
ticip
atio
n
,
a
s
s
i
g
n
m
e
n
t
s
u
b
m
is
s
io
n
s
,
an
d
r
esp
o
n
s
e
ti
m
es to
q
u
izze
s
an
d
p
o
lls
.
−
T
em
p
o
r
al
s
ess
io
n
d
ata:
lo
g
i
n
/l
o
g
o
u
t ti
m
esta
m
p
s
,
ti
m
e
s
p
e
n
t
o
n
ac
tiv
it
ies,
an
d
s
e
s
s
io
n
p
au
s
es.
T
h
e
s
ec
o
n
d
d
ataset
is
th
e
Data
s
et
f
o
r
Af
f
ec
ti
v
e
State
s
i
n
E
-
E
n
v
ir
o
n
m
e
n
t
s
(
D
A
iSEE
)
d
atase
t
,
a
p
u
b
lic
b
en
ch
m
ar
k
co
n
tai
n
i
n
g
o
v
er
9
,
0
0
0
v
id
eo
clip
s
o
f
s
tu
d
en
t
s
in
o
n
lin
e
lear
n
i
n
g
en
v
ir
o
n
m
en
ts
.
E
ac
h
clip
is
an
n
o
tated
w
it
h
f
o
u
r
af
f
ec
ti
v
e
s
tates
—
e
n
g
a
g
e
m
en
t,
b
o
r
ed
o
m
,
co
n
f
u
s
io
n
,
an
d
f
r
u
s
tr
atio
n
—
at
f
o
u
r
in
te
n
s
i
t
y
lev
els
(
lo
w
,
m
ed
iu
m
,
h
i
g
h
,
an
d
v
er
y
h
ig
h
)
.
T
h
e
DA
iSEE
d
ataset
p
r
o
v
id
es
ex
ter
n
al
v
al
id
atio
n
an
d
en
s
u
r
es
th
e
m
o
d
el
g
en
er
al
izes a
cr
o
s
s
d
iv
e
r
s
e
lear
n
in
g
co
n
te
x
t
s
.
3
.
2
.
Sy
s
t
em
a
rc
hite
ct
ure
o
v
er
v
iew
T
h
e
p
r
o
p
o
s
ed
f
r
am
e
w
o
r
k
is
d
esig
n
ed
as
a
u
n
if
ied
m
u
lti
-
m
o
d
al
atten
tiv
e
n
e
s
s
as
s
ess
m
e
n
t
a
r
ch
itect
u
r
e
th
at
i
n
te
g
r
ates
h
eter
o
g
e
n
eo
u
s
d
ata
s
o
u
r
ce
s
to
esti
m
ate
s
t
u
d
en
t
e
n
g
a
g
e
m
en
t
in
o
n
li
n
e
lear
n
in
g
en
v
ir
o
n
m
e
n
ts
.
T
h
e
s
y
s
te
m
i
s
m
o
d
u
lar
,
s
ca
lab
le,
an
d
d
ep
lo
y
ab
le
i
n
b
o
th
s
y
n
ch
r
o
n
o
u
s
(
r
ea
l
-
ti
m
e)
an
d
as
y
n
ch
r
o
n
o
u
s
(
o
f
f
lin
e)
in
s
tr
u
ctio
n
a
l setti
n
g
s
.
T
h
e
o
v
er
all
ar
ch
itectu
r
e
co
n
s
i
s
ts
o
f
f
o
u
r
p
r
i
m
ar
y
co
m
p
u
ta
tio
n
al
m
o
d
u
les:
−
Data
ac
q
u
is
it
io
n
m
o
d
u
le
,
−
P
r
ep
r
o
ce
s
s
in
g
an
d
n
o
r
m
a
lizati
o
n
m
o
d
u
le
,
−
Dee
p
f
ea
tu
r
e
ex
tr
ac
tio
n
an
d
te
m
p
o
r
al
m
o
d
eli
n
g
m
o
d
u
le
,
−
A
tte
n
ti
v
e
n
es
s
s
co
r
in
g
an
d
an
a
l
y
tics
m
o
d
u
le
.
A
h
i
g
h
-
le
v
el
f
u
n
ctio
n
a
l r
ep
r
esen
tatio
n
o
f
th
e
s
y
s
te
m
ca
n
b
e
ex
p
r
ess
ed
as:
:
{
,
,
}
→
w
h
er
e
d
en
o
tes
v
i
s
u
al
in
p
u
ts
,
b
eh
a
v
io
r
al
s
i
g
n
al
s
,
tem
p
o
r
al
m
etad
ata,
an
d
th
e
p
r
ed
icte
d
atten
ti
v
e
n
ess
s
co
r
e
at
ti
m
e
t.
3
.
2
.
1
.
Da
t
a
a
cquis
it
io
n
m
o
du
le
T
h
e
d
ata
ac
q
u
is
itio
n
m
o
d
u
le
i
s
r
esp
o
n
s
ib
le
f
o
r
ca
p
tu
r
in
g
s
y
n
ch
r
o
n
ized
m
u
lti
-
m
o
d
al
i
n
p
u
t
s
d
u
r
in
g
an
o
n
lin
e
lear
n
i
n
g
s
e
s
s
io
n
.
I
t o
p
er
ates th
r
o
u
g
h
i
n
te
g
r
atio
n
w
i
th
:
−
W
eb
ca
m
v
id
eo
s
tr
ea
m
s
,
−
L
MS
i
n
ter
ac
tio
n
lo
g
s
,
−
Ses
s
io
n
-
lev
el
m
etad
ata
m
o
n
ito
r
s
.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
0
8
9
-
4864
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
,
Vo
l.
15
,
No
.
2
,
J
u
l
y
202
6
:
450
-
4
6
0
454
T
h
e
v
is
u
al
i
n
p
u
t stre
a
m
is
r
ep
r
esen
ted
as:
=
{
1
,
2
,
.
.
.
,
}
w
h
er
e
ea
ch
f
r
a
m
e
∈
×
×
3
co
r
r
esp
o
n
d
s
to
an
R
GB
i
m
ag
e
ca
p
t
u
r
ed
at
ti
m
e
t.
B
eh
av
io
r
al
in
ter
ac
tio
n
d
ata
ar
e
co
llected
as st
r
u
ct
u
r
ed
f
ea
tu
r
e
v
ec
to
r
s
:
=
{
1
,
2
,
.
.
.
,
}
th
ese
i
n
cl
u
d
e
click
f
r
eq
u
e
n
c
y
,
k
e
y
s
tr
o
k
e
r
ate,
m
o
u
s
e
d
y
n
a
m
ics,
q
u
iz
p
ar
ticip
atio
n
e
v
en
ts
,
a
n
d
r
esp
o
n
s
e
laten
c
y
m
etr
ic
s
.
T
em
p
o
r
al
m
etad
ata
in
clu
d
e
lo
g
in
d
u
r
at
io
n
,
id
le
in
ter
v
als,
a
n
d
p
au
s
e
f
r
eq
u
en
c
y
,
p
r
o
v
id
i
n
g
co
n
tex
t
u
al
i
n
f
o
r
m
atio
n
f
o
r
en
g
ag
e
m
e
n
t
i
n
ter
p
r
etatio
n
.
A
ll
m
o
d
ali
ties
ar
e
ti
m
e
-
s
y
n
ch
r
o
n
i
ze
d
u
s
i
n
g
a
s
h
ar
ed
ti
m
e
s
ta
m
p
i
n
g
p
r
o
to
co
l to
en
s
u
r
e
ac
cu
r
ate
m
u
lti
-
m
o
d
al
f
u
s
io
n
.
3
.
2
.
2
.
P
re
pro
ce
s
s
ing
a
nd
no
rm
a
liza
t
io
n
m
o
d
ule
T
h
e
p
r
ep
r
o
ce
s
s
in
g
m
o
d
u
le
en
s
u
r
es
s
ig
n
al
co
n
s
i
s
ten
c
y
,
n
o
i
s
e
r
ed
u
ctio
n
,
a
n
d
d
i
m
e
n
s
io
n
al
n
o
r
m
aliza
t
io
n
p
r
io
r
to
f
ea
tu
r
e
lear
n
in
g
.
Fo
r
v
i
s
u
al
d
ata,
p
r
ep
r
o
ce
s
s
in
g
in
c
lu
d
es:
−
Face
d
etec
tio
n
an
d
cr
o
p
p
in
g
,
−
Facial
lan
d
m
ar
k
ali
g
n
m
e
n
t
,
−
I
llu
m
in
a
tio
n
n
o
r
m
aliza
tio
n
,
−
Fra
m
e
r
esizi
n
g
.
Ma
th
e
m
atica
ll
y
,
th
e
tr
a
n
s
f
o
r
m
atio
n
ca
n
b
e
d
escr
ib
ed
as:
′
=
(
)
w
h
er
e
Φ
(
⋅
)
r
ep
r
esen
ts
t
h
e
co
m
p
o
s
ite
p
r
ep
r
o
ce
s
s
in
g
o
p
er
ato
r
.
B
eh
av
io
r
al
f
ea
t
u
r
es
u
n
d
er
g
o
n
o
r
m
al
izatio
n
u
s
i
n
g
m
i
n
-
m
ax
s
ca
lin
g
:
̂
=
−
m
i
n
(
)
m
ax
(
)
−
m
i
n
(
)
th
is
s
tep
p
r
ev
en
t
s
m
o
d
alit
y
d
o
m
i
n
an
ce
d
u
r
i
n
g
f
u
s
io
n
an
d
i
m
p
r
o
v
es c
o
n
v
er
g
e
n
ce
s
tab
il
it
y
d
u
r
in
g
tr
ain
in
g
.
3
.
2
.
3
.
Dee
p
f
ea
t
ure
ex
t
ra
ct
io
n a
nd
t
e
m
po
ra
l
m
o
delin
g
mo
du
le
T
h
is
m
o
d
u
le
p
er
f
o
r
m
s
h
ier
ar
c
h
ical
r
ep
r
esen
tatio
n
lear
n
i
n
g
f
r
o
m
s
p
atial
an
d
te
m
p
o
r
al
p
atte
r
n
s
.
a.
Sp
atial
f
ea
t
u
r
e
ex
tr
ac
tio
n
E
ac
h
n
o
r
m
alize
d
f
r
a
m
e
′
is
p
ass
ed
th
r
o
u
g
h
a
C
NN
b
ac
k
b
o
n
e
to
o
b
tain
h
ig
h
-
d
i
m
en
s
io
n
a
l
e
m
b
ed
d
in
g
s
:
=
(
′
)
w
h
er
e
∈
en
co
d
es f
ac
ia
l e
x
p
r
ess
i
o
n
s
,
g
az
e
o
r
ien
tat
io
n
cu
e
s
,
an
d
h
ea
d
p
o
s
tu
r
e
f
ea
t
u
r
es.
b.
Mu
lti
-
m
o
d
al
f
u
s
io
n
T
h
e
s
p
atial
e
m
b
ed
d
in
g
i
s
co
n
c
aten
ated
w
it
h
b
eh
av
io
r
al
an
d
p
o
s
e
-
r
elate
d
f
ea
t
u
r
es:
=
[
,
,
,
̂
]
th
is
f
u
s
ed
v
ec
to
r
in
teg
r
ate
s
ap
p
ea
r
an
ce
-
b
ased
an
d
in
ter
ac
tio
n
-
b
a
s
ed
s
ig
n
al
s
.
c.
T
em
p
o
r
al
m
o
d
elin
g
Giv
e
n
th
at
atten
t
iv
e
n
es
s
ex
h
i
b
its
te
m
p
o
r
al
co
n
tin
u
i
t
y
,
s
eq
u
en
t
ial
m
o
d
elin
g
is
p
er
f
o
r
m
e
d
u
s
in
g
a
L
ST
M
n
et
w
o
r
k
:
ℎ
=
(
,
ℎ
−
1
)
th
e
h
id
d
en
s
tate
ℎ
ca
p
tu
r
es lo
n
g
-
r
an
g
e
d
ep
en
d
en
cie
s
an
d
atte
n
tio
n
tr
an
s
itio
n
s
o
v
er
ti
m
e.
3
.
2
.
4
.
At
t
ent
iv
eness
s
co
r
ing
a
nd
a
na
ly
t
ics
m
o
d
ule
T
h
e
f
in
al
m
o
d
u
le
co
n
v
er
t
s
te
m
p
o
r
al
e
m
b
ed
d
in
g
s
i
n
to
in
te
r
p
r
etab
le
atten
tiv
e
n
es
s
m
e
tr
ic
s
.
Fra
m
e
-
lev
el
atte
n
ti
v
en
e
s
s
p
r
o
b
ab
ilit
y
is
co
m
p
u
ted
as:
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
I
SS
N:
2089
-
4864
A
r
ea
l
-
time
mu
lti
-
mo
d
a
l d
ee
p
lea
r
n
in
g
fr
a
mewo
r
k
fo
r
s
tu
d
en
t a
tten
tiven
ess
…
(
R
a
ja
s
ek
a
r
a
n
Ma
r
is
w
a
my
)
455
=
(
ℎ
+
)
w
h
er
e
σ
(
⋅
)
d
en
o
tes th
e
s
i
g
m
o
i
d
ac
tiv
atio
n
f
u
n
ctio
n
.
Ses
s
io
n
-
lev
el
at
ten
t
iv
e
n
es
s
s
c
o
r
e
is
o
b
tain
ed
v
ia
te
m
p
o
r
al
ag
g
r
e
g
atio
n
:
=
1
∑
=
1
to
r
ed
u
ce
s
to
ch
asti
c
f
l
u
ctu
a
tio
n
s
,
ex
p
o
n
e
n
tia
l s
m
o
o
t
h
i
n
g
i
s
a
p
p
lied
:
′
=
+
(
1
−
)
−
1
′
th
e
r
esu
lti
n
g
m
etr
ics ar
e
v
is
u
al
ized
th
r
o
u
g
h
an
i
n
s
tr
u
cto
r
an
al
y
tics
d
as
h
b
o
ar
d
,
d
is
p
lay
i
n
g
:
−
R
ea
l
-
ti
m
e
atten
tiv
e
n
es
s
p
er
ce
n
tag
e
,
−
A
tte
n
tio
n
f
lu
ct
u
atio
n
cu
r
v
es
,
−
Dis
tr
ac
ted
d
u
r
atio
n
i
n
ter
v
al
s
,
−
C
las
s
-
lev
el
a
g
g
r
e
g
ated
s
tati
s
ti
cs
.
3
.
3
.
M
ulti
-
m
o
da
l f
ea
t
ure
f
us
io
n
T
o
ef
f
ec
ti
v
el
y
in
teg
r
ate
h
eter
o
g
en
eo
u
s
s
ig
n
al
s
d
er
iv
ed
f
r
o
m
v
is
u
al
ap
p
ea
r
an
ce
,
g
az
e
d
y
n
a
m
ics,
h
ea
d
p
o
s
e
o
r
ien
tatio
n
,
an
d
b
eh
av
io
r
al
in
ter
ac
tio
n
p
atter
n
s
,
a
s
tr
u
ctu
r
ed
m
u
lti
-
m
o
d
al
f
ea
t
u
r
e
f
u
s
io
n
s
tr
ateg
y
is
e
m
p
lo
y
ed
.
T
h
e
p
u
r
p
o
s
e
o
f
th
is
s
tag
e
is
to
g
e
n
er
ate
a
u
n
i
f
ied
laten
t
r
ep
r
esen
t
atio
n
t
h
at
ca
p
t
u
r
es
co
m
p
le
m
e
n
tar
y
cr
o
s
s
-
m
o
d
al
in
f
o
r
m
atio
n
w
h
ile
m
a
in
ta
i
n
in
g
d
i
s
cr
i
m
in
at
iv
e
ca
p
ab
ilit
y
f
o
r
atten
tiv
e
n
e
s
s
class
i
f
icatio
n
.
L
et
t
h
e
ex
tr
ac
ted
f
ea
tu
r
es a
t t
i
m
e
s
tep
t b
e
d
ef
in
ed
as
:
−
∈
: d
ee
p
s
p
atial
v
is
u
a
l e
m
b
ed
d
in
g
o
b
tain
ed
f
r
o
m
t
h
e
C
NN
b
ac
k
b
o
n
e
,
−
∈
: e
y
e
g
az
e
f
ea
t
u
r
e
v
ec
to
r
,
−
∈
ℎ
: h
ea
d
p
o
s
e
r
ep
r
esen
tatio
n
,
−
∈
_
: n
o
r
m
alize
d
b
eh
a
v
io
r
al
f
ea
t
u
r
e
v
ec
to
r
.
T
h
e
f
ir
s
t f
u
s
io
n
s
tr
ate
g
y
ad
o
p
ts
ea
r
l
y
f
u
s
io
n
t
h
r
o
u
g
h
d
ir
ec
t c
o
n
ca
ten
atio
n
:
=
[
,
,
,
̂
]
T
h
e
d
im
e
n
s
io
n
alit
y
o
f
t
h
e
f
u
s
e
d
v
ec
to
r
b
ec
o
m
es:
∈
w
h
er
e:
=
+
+
ℎ
+
T
h
is
co
n
ca
ten
ated
r
ep
r
esen
tat
io
n
p
r
eser
v
es
f
u
ll
m
o
d
ali
t
y
-
s
p
ec
if
ic
i
n
f
o
r
m
atio
n
an
d
e
n
ab
les
s
u
b
s
eq
u
e
n
t
la
y
er
s
(
e.
g
.
,
L
ST
M)
to
lear
n
in
ter
-
m
o
d
al
d
ep
en
d
en
cie
s
i
m
p
lic
itl
y
.
Ho
w
e
v
er
,
d
ir
ec
t
co
n
ca
ten
a
tio
n
m
a
y
in
tr
o
d
u
ce
s
ca
le
i
m
b
ala
n
ce
o
r
m
o
d
alit
y
d
o
m
in
a
n
ce
i
f
n
o
t p
r
o
p
er
ly
r
eg
u
l
ar
ized
.
T
o
ad
d
r
ess
p
o
ten
tial
m
o
d
alit
y
i
m
b
ala
n
ce
an
d
allo
w
ad
ap
tiv
e
co
n
tr
ib
u
tio
n
f
r
o
m
ea
ch
m
o
d
ali
t
y
,
a
w
ei
g
h
ted
f
u
s
io
n
f
o
r
m
u
la
tio
n
is
in
tr
o
d
u
c
ed
.
I
n
th
is
f
o
r
m
u
latio
n
,
ea
ch
m
o
d
alit
y
is
s
c
aled
b
y
a
lear
n
ab
le
co
ef
f
icie
n
t:
=
+
+
+
+
=
1
,
,
,
≥
0
T
h
e
co
ef
f
icien
t
s
α
,
β,
an
d
γ
ar
e
lear
n
ed
d
u
r
in
g
m
o
d
el
tr
ain
i
n
g
t
h
r
o
u
g
h
b
ac
k
p
r
o
p
ag
ati
o
n
.
T
o
en
s
u
r
e
th
e
s
u
m
m
atio
n
c
o
n
s
tr
ai
n
t,
th
e
w
e
i
g
h
t
s
ar
e
p
ar
a
m
eter
ized
u
s
i
n
g
a
s
o
f
t
m
ax
f
u
n
ct
io
n
:
[
,
,
]
=
(
[
,
ℎ
,
]
)
w
h
er
e
,
ℎ
,
an
d
ar
e
u
n
co
n
s
tr
ai
n
ed
tr
ain
ab
le
p
ar
a
m
eter
s
.
T
h
is
f
o
r
m
u
latio
n
e
n
s
u
r
es:
−
C
o
n
v
ex
co
m
b
i
n
atio
n
o
f
m
o
d
al
ities
,
−
Stab
ilit
y
d
u
r
in
g
o
p
ti
m
izat
io
n
,
−
A
d
ap
tiv
e
e
m
p
h
a
s
is
b
ased
o
n
f
ea
tu
r
e
d
is
cr
i
m
in
ati
v
e
s
tr
en
g
th
.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
0
8
9
-
4864
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
,
Vo
l.
15
,
No
.
2
,
J
u
l
y
202
6
:
450
-
4
6
0
456
3
.
4
.
T
e
m
po
ra
l
m
o
delin
g
u
s
i
ng
lo
ng
s
ho
rt
-
t
er
m
m
e
m
o
ry
A
tte
n
ti
v
e
n
es
s
is
i
n
h
er
en
tl
y
a
t
e
m
p
o
r
al
p
h
en
o
m
e
n
o
n
;
s
h
o
r
t
-
t
er
m
f
l
u
ct
u
atio
n
s
s
u
c
h
as
b
r
ief
g
az
e
s
h
i
f
ts
o
r
h
ea
d
m
o
v
e
m
e
n
t
s
s
h
o
u
ld
n
o
t
b
e
in
ter
p
r
eted
as
d
is
en
g
a
g
e
m
en
t.
T
h
er
ef
o
r
e,
tem
p
o
r
al
m
o
d
elin
g
i
s
in
co
r
p
o
r
ated
to
ca
p
tu
r
e
s
eq
u
en
tial
d
ep
en
d
en
cie
s
ac
r
o
s
s
f
u
s
e
d
m
u
lti
-
m
o
d
al
r
ep
r
esen
tatio
n
s
.
A
L
ST
M
n
et
w
o
r
k
is
e
m
p
lo
y
ed
to
m
o
d
el
te
m
p
o
r
a
l d
y
n
a
m
ics a
n
d
s
m
o
o
t
h
f
r
a
m
e
-
lev
el
p
r
ed
ictio
n
s
.
Af
ter
m
u
lt
i
-
m
o
d
al
f
u
s
io
n
(
s
u
b
s
ec
tio
n
3
.
3
)
,
ea
ch
f
r
a
m
e
t i
s
r
ep
r
esen
ted
b
y
a
f
u
s
ed
f
ea
t
u
r
e
v
ec
to
r
:
∈
Fo
r
a
tem
p
o
r
al
w
in
d
o
w
o
f
le
n
g
th
T
T
T
,
th
e
in
p
u
t seq
u
e
n
ce
is
d
ef
in
ed
as:
=
{
1
,
2
,
…
,
}
w
h
er
e:
T
d
en
o
tes
th
e
s
eq
u
en
c
e
len
g
t
h
(
e.
g
.
,
3
0
–
6
0
f
r
am
e
s
)
an
d
is
th
e
f
u
s
ed
f
ea
t
u
r
e
d
im
e
n
s
io
n
alit
y
.
T
h
u
s
,
th
e
L
ST
M
r
ec
eiv
es a
n
i
n
p
u
t te
n
s
o
r
:
∈
×
T
h
e
L
ST
M
n
et
w
o
r
k
is
d
esi
g
n
ed
to
ad
d
r
ess
th
e
v
an
is
h
i
n
g
g
r
ad
ien
t
p
r
o
b
le
m
in
h
er
en
t
i
n
tr
ad
itio
n
al
R
NNs.
I
t
m
ain
tain
s
a
m
e
m
o
r
y
ce
ll
th
at
p
r
eser
v
es lo
n
g
-
ter
m
co
n
tex
t
u
al
i
n
f
o
r
m
atio
n
.
A
t e
ac
h
ti
m
e
s
tep
t,
th
e
L
ST
M
p
er
f
o
r
m
s
th
e
f
o
llo
w
i
n
g
o
p
er
atio
n
s
:
−
Fo
r
g
et
g
a
te
=
(
+
ℎ
−
1
+
)
−
I
n
p
u
t
g
a
te
=
(
+
ℎ
−
1
+
)
−
C
an
d
id
ate
ce
ll st
a
te
̈
=
ℎ
(
+
ℎ
−
1
+
)
−
C
ell
s
tate
u
p
d
ate
=
⊙
−
1
+
⊙
̈
−
Ou
tp
u
t
g
ate
=
(
+
ℎ
−
1
+
)
−
Hid
d
en
s
tate
u
p
d
ate
ℎ
=
⊙
ℎ
(
)
w
h
er
e:
−
ℎ
∈
ℎ
is
th
e
h
id
d
en
s
tate
,
−
∈
ℎ
is
th
e
m
e
m
o
r
y
ce
ll
,
−
σ(
⋅
)
d
en
o
tes th
e
s
i
g
m
o
id
ac
tiv
atio
n
,
−
⊙
r
ep
r
esen
ts
ele
m
e
n
t
-
w
i
s
e
m
u
ltip
licatio
n
,
−
∗
,
∗
,
∗
ar
e
tr
ain
ab
le
p
ar
am
eter
s
.
T
h
is
g
ati
n
g
m
ec
h
an
i
s
m
en
ab
le
s
s
elec
ti
v
e
m
e
m
o
r
y
r
ete
n
tio
n
a
n
d
ad
ap
tiv
e
te
m
p
o
r
al
f
il
ter
in
g
o
f
atten
t
io
n
cu
e
s
.
Fo
r
n
o
tatio
n
al
co
m
p
ac
t
n
es
s
,
th
e
L
ST
M
u
p
d
ate
m
a
y
b
e
s
u
m
m
ar
ized
as:
ℎ
=
(
+
ℎ
ℎ
−
1
+
)
w
h
er
e
th
e
co
m
p
o
s
ite
f
u
n
ct
io
n
en
ca
p
s
u
lates
all
g
ati
n
g
o
p
e
r
atio
n
s
d
escr
ib
ed
ab
o
v
e.
T
h
e
h
id
d
en
s
tate
ℎ
is
m
ap
p
ed
to
atten
tiv
e
n
es
s
p
r
o
b
a
b
ilit
y
t
h
r
o
u
g
h
a
f
u
ll
y
co
n
n
ec
te
d
lay
er
.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
I
SS
N:
2089
-
4864
A
r
ea
l
-
time
mu
lti
-
mo
d
a
l d
ee
p
lea
r
n
in
g
fr
a
mewo
r
k
fo
r
s
tu
d
en
t a
tten
tiven
ess
…
(
R
a
ja
s
ek
a
r
a
n
Ma
r
is
w
a
my
)
457
4.
RE
SU
L
T
AND
DI
SCUS
SI
O
N
T
h
e
d
atasets
e
m
p
lo
y
ed
in
t
h
e
ex
p
er
i
m
e
n
ts
ar
e
th
e
s
tan
d
a
r
d
b
e
n
ch
m
ar
k
d
ata
s
ets
f
o
r
th
e
task
o
f
d
etec
tin
g
th
e
p
r
o
p
o
s
ed
m
u
lti
-
m
o
d
al
a
tten
tiv
e
n
es
s
as
s
es
s
m
e
n
t
f
r
a
m
e
w
o
r
k
w
as
i
m
p
le
m
e
n
te
d
u
s
i
n
g
P
y
th
o
n
3
.
1
0
an
d
P
y
T
o
r
ch
2
.
0
as
th
e
p
r
im
ar
y
d
ee
p
lear
n
i
n
g
f
r
a
m
e
w
o
r
k
.
Op
en
C
V
4
.
7
w
as
e
m
p
lo
y
ed
f
o
r
f
ac
e
d
etec
tio
n
an
d
f
r
a
m
e
p
r
ep
r
o
ce
s
s
in
g
,
w
h
ile
N
u
m
P
y
a
n
d
P
an
d
as
w
er
e
u
s
ed
f
o
r
s
tr
u
ctu
r
ed
d
ata
h
an
d
li
n
g
.
M
o
d
el
ev
alu
atio
n
a
n
d
s
tatis
t
ical
m
e
tr
ics
w
er
e
co
m
p
u
ted
u
s
i
n
g
Sci
k
it
-
lear
n
.
Vis
u
ali
za
tio
n
o
f
tr
ain
in
g
cu
r
v
es
a
n
d
p
er
f
o
r
m
a
n
ce
tr
en
d
s
w
a
s
p
er
f
o
r
m
ed
u
s
i
n
g
Ma
tp
l
o
tlib
an
d
Seab
o
r
n
.
T
r
ain
in
g
w
as
ac
ce
ler
ated
u
s
i
n
g
C
U
DA
-
e
n
ab
led
GP
U
co
m
p
u
tatio
n
.
A
ll
e
x
p
er
i
m
e
n
ts
w
er
e
co
n
d
u
cted
o
n
a
w
o
r
k
s
ta
tio
n
eq
u
ip
p
ed
w
i
th
a
n
NVI
DI
A
R
T
X
3
0
6
0
G
P
U
(
1
2
GB
VR
AM
)
,
I
n
tel
C
o
r
e
i7
(
1
2
th
Gen
)
p
r
o
ce
s
s
o
r
,
3
2
GB
R
A
M,
r
u
n
n
i
n
g
Ub
u
n
t
u
2
2
.
0
4
.
T
h
e
av
er
ag
e
tr
ain
i
n
g
ti
m
e
p
er
ep
o
ch
w
a
s
ap
p
r
o
x
im
a
tel
y
7
.
8
m
i
n
u
tes,
r
es
u
lti
n
g
i
n
a
to
tal
tr
ain
in
g
d
u
r
at
io
n
o
f
r
o
u
g
h
l
y
6
.
5
h
o
u
r
s
f
o
r
5
0
ep
o
ch
s
.
Mo
d
el
p
er
f
o
r
m
an
ce
w
as
e
v
al
u
ated
u
s
i
n
g
s
ta
n
d
ar
d
class
if
ica
tio
n
m
etr
ics
i
n
cl
u
d
in
g
ac
cu
r
ac
y
,
p
r
ec
is
io
n
,
r
ec
all
,
F1
-
s
co
r
e,
an
d
R
OC
-
A
U
C
.
T
h
e
ev
alu
a
tio
n
p
r
o
to
co
l
in
cl
u
d
ed
tr
ain
i
n
g
,
v
alid
atio
n
,
an
d
in
d
ep
en
d
en
t
test
i
n
g
s
p
lit
s
,
alo
n
g
w
it
h
cr
o
s
s
-
d
ataset
v
alid
atio
n
to
ass
ess
g
e
n
er
aliza
b
ilit
y
.
T
h
e
o
v
er
all
class
i
f
icatio
n
p
er
f
o
r
m
a
n
ce
ac
r
o
s
s
tr
ain
i
n
g
,
v
alid
atio
n
,
an
d
te
s
t sp
lits
i
s
p
r
esen
ted
i
n
T
ab
le
1
.
T
ab
le
1
.
Ov
er
all
class
i
f
icatio
n
p
er
f
o
r
m
a
n
ce
M
e
t
r
i
c
T
r
a
i
n
i
n
g
V
a
l
i
d
a
t
i
o
n
T
e
st
A
c
c
u
r
a
c
y
(
%)
9
6
.
8
9
3
.
7
9
2
.
9
P
r
e
c
i
si
o
n
(
%)
9
5
.
9
9
2
.
8
9
1
.
6
R
e
c
a
l
l
(
%)
9
7
.
4
9
3
.
1
9
2
.
3
F1
-
s
c
o
r
e
(
%)
9
6
.
6
9
2
.
9
9
1
.
9
R
O
C
-
A
U
C
0
.
9
8
2
0
.
9
5
6
0
.
9
4
8
As
o
b
s
er
v
ed
in
T
ab
le
1
,
th
e
p
r
o
p
o
s
ed
m
o
d
el
ac
h
iev
e
s
a
test
ac
cu
r
ac
y
o
f
9
2
.
9
%
w
it
h
a
h
ig
h
R
O
C
-
A
U
C
o
f
0
.
9
4
8
,
in
d
icatin
g
s
tr
o
n
g
d
is
cr
i
m
i
n
ativ
e
ca
p
ab
ilit
y
.
T
h
e
m
ar
g
i
n
al
g
ap
b
et
w
ee
n
tr
ain
i
n
g
an
d
v
alid
atio
n
p
er
f
o
r
m
a
n
ce
co
n
f
ir
m
s
m
i
n
i
m
a
l o
v
er
f
itti
n
g
.
T
h
e
co
n
f
u
s
io
n
m
atr
ix
f
o
r
th
e
te
s
t d
ataset
i
s
s
h
o
w
n
i
n
T
ab
le
2
.
T
ab
le
2
.
C
o
n
f
u
s
io
n
m
atr
i
x
(
tes
t set)
P
r
e
d
i
c
t
e
d
a
t
t
e
n
t
i
v
e
P
r
e
d
i
c
t
e
d
i
n
a
t
t
e
n
t
i
v
e
A
c
t
u
a
l
a
t
t
e
n
t
i
v
e
6
,
4
8
2
5
2
3
A
c
t
u
a
l
i
n
a
t
t
e
n
t
i
v
e
6
0
2
4
,
1
9
7
T
ab
le
2
d
em
o
n
s
tr
ates
t
h
at
f
alse
n
e
g
ati
v
es
ar
e
r
elati
v
el
y
lo
w
,
w
h
ich
is
cr
itical
i
n
at
ten
ti
v
en
e
s
s
m
o
n
ito
r
i
n
g
s
y
s
te
m
s
w
h
er
e
m
is
s
ed
en
g
a
g
e
m
e
n
t
d
etec
tio
n
c
an
d
is
to
r
t
an
al
y
tic
s
.
T
o
ev
alu
ate
r
o
b
u
s
tn
es
s
,
th
e
tr
ain
ed
m
o
d
el
w
as tes
ted
o
n
th
e
DA
i
SEE
d
ataset
w
it
h
o
u
t
f
i
n
e
-
t
u
n
i
n
g
.
T
h
e
r
esu
lts
ar
e
s
u
m
m
ar
ized
in
T
ab
le
3
.
T
ab
le
3
.
C
r
o
s
s
-
d
ataset
p
er
f
o
r
m
an
ce
o
n
D
A
iSEE
M
e
t
r
i
c
P
r
o
p
o
se
d
mo
d
e
l
A
c
c
u
r
a
c
y
(
%)
8
8
.
6
P
r
e
c
i
si
o
n
(
%)
8
7
.
9
R
e
c
a
l
l
(
%)
8
6
.
3
F1
-
s
c
o
r
e
(
%)
8
7
.
1
R
O
C
-
A
U
C
0
.
9
1
2
As
s
h
o
w
n
in
T
ab
le
3
,
th
e
m
o
d
el
m
a
in
ta
in
s
an
ac
cu
r
ac
y
o
f
8
8
.
6
%
d
esp
ite
d
o
m
ain
s
h
i
f
t,
d
em
o
n
s
tr
ati
n
g
s
tr
o
n
g
g
e
n
er
a
lizatio
n
ca
p
ac
it
y
.
T
o
q
u
an
ti
f
y
t
h
e
co
n
tr
ib
u
tio
n
o
f
ea
c
h
m
o
d
ali
t
y
,
ab
latio
n
ex
p
er
i
m
e
n
ts
w
er
e
co
n
d
u
cted
.
T
h
e
co
m
p
ar
ativ
e
r
es
u
lt
s
ar
e
p
r
esen
ted
i
n
T
ab
le
4
.
T
ab
le
4
.
Mo
d
ality
co
n
tr
ib
u
tio
n
an
al
y
s
is
M
o
d
e
l
v
a
r
i
a
n
t
A
c
c
u
r
a
c
y
(
%)
F
1
(
%)
R
O
C
-
A
U
C
C
N
N
o
n
l
y
(
v
i
su
a
l
)
8
4
.
3
8
3
.
5
0
.
8
7
2
C
N
N
+
L
S
T
M
8
7
.
9
8
6
.
8
0
.
9
0
3
V
i
su
a
l
+
b
e
h
a
v
i
o
r
a
l
8
9
.
2
8
8
.
5
0
.
9
2
1
V
i
su
a
l
+
b
e
h
a
v
i
o
r
a
l
+
p
o
se
9
1
.
4
9
0
.
8
0
.
9
3
6
F
u
l
l
mu
l
t
i
-
mo
d
a
l
(
p
r
o
p
o
se
d
)
9
2
.
9
9
1
.
9
0
.
9
4
8
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
0
8
9
-
4864
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
,
Vo
l.
15
,
No
.
2
,
J
u
l
y
202
6
:
450
-
4
6
0
458
T
ab
le
4
clea
r
ly
in
d
icate
s
t
h
a
t
m
u
lti
-
m
o
d
al
f
u
s
io
n
i
m
p
r
o
v
es
F1
-
s
co
r
e
b
y
8
.
4
%
co
m
p
a
r
ed
to
th
e
v
is
u
al
-
o
n
l
y
b
ase
lin
e,
co
n
f
ir
m
in
g
t
h
e
e
f
f
ec
tiv
e
n
es
s
o
f
f
ea
t
u
r
e
-
le
v
el
in
te
g
r
atio
n
.
T
h
e
in
f
lu
en
ce
o
f
s
eq
u
e
n
ce
len
g
th
o
n
m
o
d
el
p
er
f
o
r
m
a
n
ce
is
ill
u
s
tr
ated
i
n
T
ab
le
5
.
A
s
s
h
o
w
n
i
n
T
ab
le
5
,
p
e
r
f
o
r
m
a
n
c
e
s
tab
ilizes
b
e
y
o
n
d
4
5
f
r
a
m
es,
i
n
d
icati
n
g
d
i
m
in
i
s
h
in
g
r
et
u
r
n
s
f
o
r
lo
n
g
er
s
eq
u
e
n
ce
s
.
T
h
e
co
m
p
u
tatio
n
al
late
n
c
y
o
f
ea
c
h
m
o
d
u
le
is
s
u
m
m
ar
ized
in
T
ab
le
6
.
T
ab
le
5
.
E
f
f
ec
t o
f
te
m
p
o
r
al
s
e
q
u
en
ce
le
n
g
t
h
S
e
q
u
e
n
c
e
l
e
n
g
t
h
(
f
r
a
me
s)
A
c
c
u
r
a
c
y
(
%)
F
1
(
%)
10
8
8
.
1
8
7
.
4
20
9
0
.
6
8
9
.
9
30
9
1
.
8
9
1
.
0
45
9
2
.
7
9
1
.
7
60
9
2
.
9
9
1
.
9
T
ab
le
6
.
R
ea
l
-
ti
m
e
la
ten
c
y
an
a
l
y
s
i
s
C
o
mp
o
n
e
n
t
A
v
g
t
i
me
(
ms)
F
a
c
e
d
e
t
e
c
t
i
o
n
9
.
4
C
N
N
f
e
a
t
u
r
e
e
x
t
r
a
c
t
i
o
n
1
4
.
7
F
u
si
o
n
+
L
S
T
M
6
.
2
P
r
o
b
a
b
i
l
i
t
y
o
u
t
p
u
t
1
.
3
T
o
t
a
l
p
e
r
f
r
a
me
3
1
.
6
T
ab
le
6
c
o
n
f
ir
m
s
t
h
at
t
h
e
s
y
s
t
e
m
p
r
o
ce
s
s
es
f
r
a
m
es
a
t
ap
p
r
o
x
i
m
atel
y
3
0
FP
S,
m
a
k
i
n
g
it
s
u
itab
le
f
o
r
liv
e
clas
s
r
o
o
m
d
ep
lo
y
m
e
n
t.
T
h
e
5
-
s
ec
o
n
d
d
ash
b
o
ar
d
u
p
d
ate
w
i
n
d
o
w
r
ed
u
ce
s
p
r
ed
ictio
n
n
o
is
e
b
y
ap
p
r
o
x
im
a
tel
y
1
7
%.
Fro
m
a
h
ar
d
w
ar
e
d
ep
lo
y
m
e
n
t
p
er
s
p
ec
tiv
e,
th
e
ac
h
ie
v
ed
av
er
ag
e
laten
c
y
o
f
3
1
.
6
m
s
p
er
f
r
a
m
e
s
a
tis
f
ies
r
ea
l
-
ti
m
e
co
n
s
t
r
ain
ts
f
o
r
em
b
ed
d
ed
ed
g
e
d
ev
ices.
T
o
co
n
tex
tu
alize
p
er
f
o
r
m
an
ce
,
th
e
p
r
o
p
o
s
ed
m
o
d
el
w
a
s
co
m
p
ar
ed
w
it
h
r
ep
r
esen
tati
v
e
p
r
io
r
w
o
r
k
s
.
T
h
e
co
m
p
ar
is
o
n
is
s
h
o
w
n
in
T
ab
le
7
.
As
in
d
icate
d
i
n
Fi
g
u
r
e
1
,
th
e
p
r
o
p
o
s
ed
f
r
a
m
e
w
o
r
k
ac
h
iev
e
s
th
e
h
ig
h
est
ac
c
u
r
ac
y
w
h
i
le
m
ain
tai
n
i
n
g
r
ea
l
-
ti
m
e
ca
p
ab
ilit
y
,
o
u
tp
er
f
o
r
m
i
n
g
p
r
io
r
ap
p
r
o
ac
h
es
b
y
a
m
ar
g
in
o
f
4
–
1
0
%.
C
o
m
p
ar
ed
w
ith
p
r
io
r
w
o
r
k
,
th
e
p
r
o
p
o
s
ed
f
r
a
m
e
w
o
r
k
ac
h
iev
e
s
s
u
p
er
io
r
p
r
ed
ictiv
e
p
er
f
o
r
m
an
ce
an
d
o
p
er
atio
n
al
p
r
ac
ticalit
y
,
m
ak
i
n
g
it s
u
itab
le
f
o
r
in
telli
g
e
n
t c
las
s
r
o
o
m
an
al
y
tics
s
y
s
te
m
s
.
T
ab
le
7
.
C
o
m
p
ar
is
o
n
w
i
th
e
x
i
s
tin
g
m
et
h
o
d
s
M
e
t
h
o
d
M
o
d
a
l
i
t
i
e
s
D
a
t
a
se
t
A
c
c
u
r
a
c
y
(
%)
F
1
(
%)
R
e
a
l
-
t
i
me
c
a
p
a
b
l
e
C
N
N
-
b
a
se
d
e
n
g
a
g
e
me
n
t
[
6
]
V
i
su
a
l
o
n
l
y
D
A
i
S
EE
8
2
.
4
8
1
.
7
No
L
S
T
M
f
a
c
i
a
l
b
e
h
a
v
i
o
r
[
1
0
]
V
i
su
a
l
+
t
e
mp
o
r
a
l
D
A
i
S
EE
8
5
.
9
8
5
.
1
P
a
r
t
i
a
l
M
u
l
t
i
-
mo
d
a
l
a
t
t
e
n
t
i
o
n
mo
d
e
l
[
8
]
V
i
su
a
l
+
a
u
d
i
o
C
u
s
t
o
m
8
8
.
3
8
7
.
6
No
P
r
o
p
o
se
d
f
r
a
me
w
o
r
k
V
i
su
a
l
+
b
e
h
a
v
i
o
r
a
l
+
t
e
mp
o
r
a
l
D
A
i
S
EE
9
2
.
9
9
1
.
9
Y
e
s
Fig
u
r
e
1
.
A
cc
u
r
ac
y
co
m
p
ar
is
o
n
5.
CO
NCLU
SI
O
N
T
h
is
w
o
r
k
p
r
esen
ted
a
r
ea
l
-
ti
m
e
m
u
lti
-
m
o
d
al
at
ten
ti
v
e
n
es
s
ass
es
s
m
en
t
f
r
a
m
e
w
o
r
k
f
o
r
i
n
telli
g
e
n
t
o
n
lin
e
lear
n
in
g
en
v
ir
o
n
m
e
n
ts
.
T
h
e
p
r
o
p
o
s
ed
a
r
ch
itectu
r
e
in
t
eg
r
ates
v
i
s
u
a
l,
b
eh
av
io
r
al,
an
d
tem
p
o
r
al
f
ea
t
u
r
es
th
r
o
u
g
h
a
s
tr
u
ct
u
r
ed
p
ip
elin
e
co
m
p
r
is
in
g
d
ata
ac
q
u
i
s
itio
n
,
p
r
ep
r
o
ce
s
s
in
g
,
d
ee
p
f
ea
t
u
r
e
ex
tr
ac
tio
n
,
te
m
p
o
r
al
m
o
d
eli
n
g
u
s
i
n
g
L
ST
M,
an
d
w
eig
h
ted
f
ea
t
u
r
e
f
u
s
io
n
f
o
r
f
in
al
atten
tiv
e
n
e
s
s
s
co
r
in
g
.
B
y
m
o
d
eli
n
g
b
o
th
in
s
ta
n
ta
n
eo
u
s
c
u
es
a
n
d
s
eq
u
e
n
tial
b
e
h
av
io
r
al
d
y
n
a
m
ic
s
,
t
h
e
s
y
s
te
m
ca
p
t
u
r
es
s
u
s
tai
n
ed
e
n
g
a
g
e
m
en
t
p
atte
r
n
s
r
ath
er
th
a
n
r
el
y
in
g
s
o
lel
y
o
n
f
r
a
m
e
-
le
v
el
p
r
ed
ictio
n
s
.
E
x
p
er
i
m
en
tal
r
es
u
lts
d
e
m
o
n
s
tr
ated
s
t
r
o
n
g
p
er
f
o
r
m
a
n
ce
,
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
I
SS
N:
2089
-
4864
A
r
ea
l
-
time
mu
lti
-
mo
d
a
l d
ee
p
lea
r
n
in
g
fr
a
mewo
r
k
fo
r
s
tu
d
en
t a
tten
tiven
ess
…
(
R
a
ja
s
ek
a
r
a
n
Ma
r
is
w
a
my
)
459
ac
h
iev
in
g
9
2
.
9
%
test
ac
cu
r
ac
y
an
d
a
9
1
.
9
%
F1
-
s
co
r
e
o
n
th
e
i
n
-
h
o
u
s
e
d
ataset.
C
r
o
s
s
-
d
ata
s
et
ev
alu
atio
n
f
u
r
t
h
er
v
alid
ated
g
e
n
er
aliza
tio
n
ca
p
a
b
ilit
y
u
n
d
er
d
o
m
ain
s
h
if
t
co
n
d
itio
n
s
.
A
b
lat
io
n
s
t
u
d
ies
co
n
f
ir
m
ed
t
h
at
m
u
lti
-
m
o
d
al
f
u
s
io
n
s
i
g
n
i
f
ican
tl
y
i
m
p
r
o
v
es
p
r
ed
ictiv
e
p
er
f
o
r
m
a
n
ce
co
m
p
ar
ed
to
u
n
i
m
o
d
al
ap
p
r
o
ac
h
es,
w
h
ile
te
m
p
o
r
al
m
o
d
elin
g
r
ed
u
ce
s
f
alse
d
is
en
g
a
g
e
m
e
n
t
d
etec
tio
n
.
R
ea
l
-
ti
m
e
late
n
c
y
a
n
al
y
s
is
s
h
o
w
ed
an
a
v
er
ag
e
p
r
o
ce
s
s
in
g
ti
m
e
o
f
ap
p
r
o
x
i
m
at
el
y
3
1
.
6
m
s
p
er
f
r
am
e,
en
ab
li
n
g
d
ep
lo
y
m
en
t
at
n
ea
r
l
y
3
0
FP
S
in
liv
e
class
r
o
o
m
s
ce
n
ar
io
s
.
C
o
m
p
ar
ed
w
it
h
ex
is
t
in
g
ap
p
r
o
ac
h
es,
t
h
e
p
r
o
p
o
s
ed
f
r
a
m
e
w
o
r
k
o
f
f
er
s
i
m
p
r
o
v
ed
ac
cu
r
ac
y
,
r
o
b
u
s
tn
es
s
to
e
n
v
ir
o
n
m
e
n
tal
v
ar
iatio
n
s
,
a
n
d
p
r
ac
tical
r
ea
l
-
ti
m
e
o
p
er
ab
ilit
y
.
Fu
t
u
r
e
w
o
r
k
w
ill
f
o
cu
s
o
n
in
te
g
r
atin
g
tr
an
s
f
o
r
m
er
-
b
ased
te
m
p
o
r
al
en
co
d
er
s
,
in
co
r
p
o
r
atin
g
ad
d
itio
n
al
m
o
d
alities
s
u
ch
as
a
u
d
io
cu
es,
en
h
a
n
ci
n
g
f
air
n
e
s
s
th
r
o
u
g
h
m
o
r
e
d
iv
er
s
e
d
ataset
s
,
an
d
d
ev
elo
p
in
g
lig
h
t
w
ei
g
h
t
ed
g
e
-
d
ep
lo
y
ab
le
v
er
s
io
n
s
.
E
x
p
lain
ab
le
A
I
tech
n
iq
u
e
s
w
il
l
also
b
e
ex
p
lo
r
ed
to
i
m
p
r
o
v
e
in
ter
p
r
etab
ilit
y
a
n
d
tr
a
n
s
p
ar
en
c
y
o
f
atten
tiv
e
n
e
s
s
p
r
ed
ictio
n
s
.
F
UNDIN
G
I
NF
O
RM
AT
I
O
N
Au
t
h
o
r
s
s
tate
n
o
f
u
n
d
i
n
g
i
n
v
o
l
v
ed
.
AUTHO
R
CO
NT
RIB
UT
I
O
NS ST
A
T
E
M
E
NT
T
h
is
jo
u
r
n
al
u
s
e
s
th
e
C
o
n
tr
ib
u
to
r
R
o
les
T
ax
o
n
o
m
y
(
C
R
ed
iT
)
t
o
r
ec
o
g
n
ize
in
d
i
v
id
u
al
au
t
h
o
r
co
n
tr
ib
u
tio
n
s
,
r
ed
u
ce
au
t
h
o
r
s
h
ip
d
is
p
u
tes,
an
d
f
ac
ilit
ate
co
lla
b
o
r
atio
n
.
Na
m
e
o
f
Aut
ho
r
C
M
So
Va
Fo
I
R
D
O
E
Vi
Su
P
Fu
R
aj
asek
ar
an
Ma
r
is
w
a
m
y
✓
✓
✓
✓
✓
✓
✓
✓
✓
✓
✓
P
.
V.
P
r
av
ee
n
Su
n
d
ar
✓
✓
✓
✓
✓
✓
✓
C
:
C
o
n
c
e
p
t
u
a
l
i
z
a
t
i
o
n
M
:
M
e
t
h
o
d
o
l
o
g
y
So
:
So
f
t
w
a
r
e
Va
:
Va
l
i
d
a
t
i
o
n
Fo
:
Fo
r
mal
a
n
a
l
y
si
s
I
:
I
n
v
e
st
i
g
a
t
i
o
n
R
:
R
e
so
u
r
c
e
s
D
:
D
a
t
a
C
u
r
a
t
i
o
n
O
:
W
r
i
t
i
n
g
-
O
r
i
g
i
n
a
l
D
r
a
f
t
E
:
W
r
i
t
i
n
g
-
R
e
v
i
e
w
&
E
d
i
t
i
n
g
Vi
:
Vi
su
a
l
i
z
a
t
i
o
n
Su
:
Su
p
e
r
v
i
si
o
n
P
:
P
r
o
j
e
c
t
a
d
mi
n
i
st
r
a
t
i
o
n
Fu
:
Fu
n
d
i
n
g
a
c
q
u
i
si
t
i
o
n
CO
NF
L
I
C
T
O
F
I
N
T
E
R
E
S
T
ST
A
T
E
M
E
NT
Au
t
h
o
r
s
s
tate
n
o
co
n
f
lic
t o
f
i
n
t
er
est.
DATA AV
AI
L
AB
I
L
I
T
Y
Data
av
ailab
ilit
y
is
n
o
t
ap
p
licab
le
to
th
is
p
ap
er
as
n
o
n
ew
d
ata
w
er
e
cr
ea
ted
o
r
an
aly
ze
d
in
th
i
s
s
tu
d
y
.
RE
F
E
R
E
NC
E
S
[
1
]
L
.
Q
.
T
h
a
o
e
t
a
l
.
,
“
M
o
n
i
t
o
r
i
n
g
a
n
d
i
mp
r
o
v
i
n
g
s
t
u
d
e
n
t
a
t
t
e
n
t
i
o
n
u
s
i
n
g
d
e
e
p
l
e
a
r
n
i
n
g
a
n
d
w
i
r
e
l
e
ss
se
n
so
r
n
e
t
w
o
r
k
s,”
S
e
n
so
rs
a
n
d
Ac
t
u
a
t
o
r
s A
:
Ph
y
si
c
a
l
,
v
o
l
.
3
6
7
,
2
0
2
4
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
sn
a
.
2
0
2
4
.
1
1
5
0
5
5
.
[
2
]
R
.
U
p
a
d
h
y
a
y
e
t
a
l
.
,
“
El
e
c
t
r
o
e
n
c
e
p
h
a
l
o
g
r
a
m
D
a
t
a
C
o
l
l
e
c
t
i
o
n
f
o
r
S
t
u
d
e
n
t
E
n
g
a
g
e
me
n
t
A
n
a
l
y
si
s
w
i
t
h
A
u
d
i
o
-
V
i
su
a
l
C
o
n
t
e
n
t
,
”
b
i
o
Rx
i
v
,
p
p
.
2
0
2
2
–
2
0
2
9
,
2
0
2
2
.
[
3
]
D
.
W
.
P
u
t
w
a
i
n
,
S
.
B
e
c
k
e
r
,
W
.
S
y
me
s,
a
n
d
R
.
P
e
k
r
u
n
,
“
R
e
c
i
p
r
o
c
a
l
r
e
l
a
t
i
o
n
s
b
e
t
w
e
e
n
st
u
d
e
n
t
s’
a
c
a
d
e
mi
c
e
n
j
o
y
men
t
,
b
o
r
e
d
o
m,
a
n
d
a
c
h
i
e
v
e
me
n
t
o
v
e
r
t
i
me
,
”
L
e
a
r
n
i
n
g
a
n
d
I
n
st
r
u
c
t
i
o
n
,
v
o
l
.
5
4
,
p
p
.
7
3
–
8
1
,
2
0
1
8
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
l
e
a
r
n
i
n
s
t
r
u
c
.
2
0
1
7
.
0
8
.
0
0
4
.
[
4
]
E.
H
a
a
t
a
j
a
,
V
.
S
a
l
o
n
e
n
,
A
.
L
a
i
n
e
,
M
.
T
o
i
v
a
n
e
n
,
a
n
d
M
.
S
.
H
a
n
n
u
l
a
,
“
T
h
e
R
e
l
a
t
i
o
n
B
e
t
w
e
e
n
T
e
a
c
h
e
r
-
S
t
u
d
e
n
t
Ey
e
C
o
n
t
a
c
t
a
n
d
T
e
a
c
h
e
r
s’
I
n
t
e
r
p
e
r
so
n
a
l
B
e
h
a
v
i
o
r
D
u
r
i
n
g
G
r
o
u
p
W
o
r
k
:
a
M
u
l
t
i
p
l
e
-
P
e
r
so
n
G
a
z
e
-
T
r
a
c
k
i
n
g
C
a
se
S
t
u
d
y
i
n
S
e
c
o
n
d
a
r
y
M
a
t
h
e
ma
t
i
c
s
Ed
u
c
a
t
i
o
n
,
”
E
d
u
c
a
t
i
o
n
a
l
P
syc
h
o
l
o
g
y
Re
v
i
e
w
,
v
o
l
.
3
3
,
n
o
.
1
,
p
p
.
5
1
–
6
7
,
2
0
2
1
,
d
o
i
:
1
0
.
1
0
0
7
/
s1
0
6
4
8
-
0
2
0
-
0
9
5
3
8
-
w.
[
5
]
M
.
Z
h
a
n
g
,
“
Ed
u
c
a
t
i
o
n
a
l
P
sy
c
h
o
l
o
g
y
A
n
a
l
y
si
s
M
e
t
h
o
d
f
o
r
Ex
t
r
a
c
t
i
n
g
S
t
u
d
e
n
t
s’
F
a
c
i
a
l
I
n
f
o
r
mat
i
o
n
B
a
se
d
o
n
I
mag
e
B
i
g
D
a
t
a
,
”
O
c
c
u
p
a
t
i
o
n
a
l
T
h
e
r
a
p
y
I
n
t
e
r
n
a
t
i
o
n
a
l
,
p
p
.
1
–
1
1
,
2
0
2
2
,
d
o
i
:
1
0
.
1
1
5
5
/
2
0
2
2
/
8
7
0
9
5
9
1
.
[
6
]
B
.
E.
Z
a
k
k
a
a
n
d
H
.
V
a
d
a
p
a
l
l
i
,
“
Es
t
i
m
a
t
i
n
g
S
t
u
d
e
n
t
L
e
a
r
n
i
n
g
A
f
f
e
c
t
U
si
n
g
F
a
c
i
a
l
Emo
t
i
o
n
s
∗
,
”
i
n
2
0
2
0
2
n
d
I
n
t
e
r
n
a
t
i
o
n
a
l
Mu
l
t
i
d
i
sc
i
p
l
i
n
a
ry
I
n
f
o
rm
a
t
i
o
n
T
e
c
h
n
o
l
o
g
y
a
n
d
En
g
i
n
e
e
r
i
n
g
C
o
n
f
e
r
e
n
c
e
(
I
MIT
EC
)
,
K
i
mb
e
r
l
e
y
,
S
o
u
t
h
A
f
r
i
c
a
:
I
EEE,
2
0
2
0
,
p
p
.
1
–
6
,
d
o
i
:
1
0
.
1
1
0
9
/
I
M
I
T
EC
5
0
1
6
3
.
2
0
2
0
.
9
3
3
4
0
7
5
.
[
7
]
Y
.
X
i
o
n
g
,
G
.
X
i
n
y
a
,
a
n
d
J.
X
u
,
“
C
N
N
-
T
r
a
n
sf
o
r
mer:
A
d
e
e
p
l
e
a
r
n
i
n
g
me
t
h
o
d
f
o
r
a
u
t
o
ma
t
i
c
a
l
l
y
i
d
e
n
t
i
f
y
i
n
g
l
e
a
r
n
i
n
g
e
n
g
a
g
e
me
n
t
,
”
Ed
u
c
a
t
i
o
n
a
n
d
I
n
f
o
rm
a
t
i
o
n
T
e
c
h
n
o
l
o
g
i
e
s
,
v
o
l
.
2
9
,
n
o
.
8
,
p
p
.
9
9
8
9
–
1
0
0
0
8
,
2
0
2
4
,
d
o
i
:
1
0
.
1
0
0
7
/
s1
0
6
3
9
-
0
2
3
-
1
2
0
5
8
-
z.
[
8
]
N
.
X
i
e
,
Z
.
L
i
u
,
Z
.
L
i
,
W
.
P
a
n
g
,
a
n
d
B
.
L
u
,
“
S
t
u
d
e
n
t
e
n
g
a
g
e
me
n
t
d
e
t
e
c
t
i
o
n
i
n
o
n
l
i
n
e
e
n
v
i
r
o
n
me
n
t
u
si
n
g
c
o
m
p
u
t
e
r
v
i
si
o
n
a
n
d
m
u
l
t
i
-
d
i
me
n
s
i
o
n
a
l
f
e
a
t
u
r
e
f
u
s
i
o
n
,
”
Mu
l
t
i
m
e
d
i
a
S
y
s
t
e
m
s
,
v
o
l
.
2
9
,
n
o
.
6
,
p
p
.
3
5
5
9
–
3
5
7
7
,
2
0
2
3
,
d
o
i
:
1
0
.
1
0
0
7
/
s
0
0
5
3
0
-
0
2
3
-
0
1
1
5
3
-
3.
[
9
]
T
.
S
a
t
h
y
a
,
J.
A
.
B
a
r
a
k
k
a
,
V
.
V
a
l
a
r
mat
h
i
,
A
.
J.
B
e
r
l
i
n
d
a
,
A
.
S
.
G
.
V
a
r
sh
a
,
a
n
d
K
.
D
h
i
v
y
a
d
h
a
r
sh
i
n
i
,
“
A
ssessme
n
t
o
f
S
t
u
d
e
n
t
A
t
t
e
n
t
i
v
e
n
e
ss
i
n
C
l
a
ssr
o
o
m
En
v
i
r
o
n
me
n
t
U
si
n
g
D
e
e
p
L
e
a
r
n
i
n
g
,
”
i
n
2
0
2
3
I
n
t
e
rn
a
t
i
o
n
a
l
C
o
n
f
e
r
e
n
c
e
o
n
C
i
r
c
u
i
t
P
o
w
e
r
a
n
d
C
o
m
p
u
t
i
n
g
T
e
c
h
n
o
l
o
g
i
e
s
(
I
C
C
PC
T
)
,
K
o
l
l
a
m,
I
n
d
i
a
:
I
EEE,
2
0
2
3
,
p
p
.
2
6
–
30
,
d
o
i
:
1
0
.
1
1
0
9
/
I
C
C
P
C
T
5
8
3
1
3
.
2
0
2
3
.
1
0
2
4
5
1
9
4
.
Evaluation Warning : The document was created with Spire.PDF for Python.