from depth images captured using th

from depth images captured using the RGB-D sensors; 2) a discriminative bag-of-pose activity classifier trained using multiple Support Vector Machines for classifying
single visual activities from a given body skeleton sequence; and 3) a Hidden Markov Model (HMM) with Kernel Density Estimation (KDE) to represent emission probabilities in the form of a statistical distribution of single activity classifiers. For training and testing purposes, we introduce a new dataset of eleven RGB-D sequences for interior drywall operations involving three actual construction workers conducting eight different activities in various locations. Instead of manually collecting and analyzing workface data, the proposed method allows project managers to spend their time on correctly interpreting the results which is key to increasing productive activities in construction [6] and according to [24-27] requires more attention because conditions may differ from one project to another. In the following, we review the related work on vision-based methods.

Results (Vietnamese) 1:

từ chiều sâu hình ảnh bị bắt bằng cách sử dụng bộ cảm biến RGB-D; 2) một loại discriminative túi của tư thế hoạt động đào tạo bằng cách sử dụng nhiều máy tính véc tơ hỗ trợ cho phân loạiCác hoạt động trực quan duy nhất từ một chuỗi bộ xương của cơ thể nhất định; và 3) một ẩn Markov mô hình (HMM) với hạt nhân mật độ dự toán (KDE) đại diện cho xác suất phát thải trong các hình thức của một phân phối thống kê của máy phân loại duy nhất hoạt động. Đối với đào tạo và mục đích thử nghiệm, chúng tôi giới thiệu một bộ dữ liệu mới của mười một trình tự RGB-D cho nội thất tường hoạt động liên quan đến ba công nhân xây dựng thực tế tiến hành tám các hoạt động khác nhau tại các địa điểm. Thay vì theo cách thủ công, thu thập và phân tích dữ liệu workface, phương pháp được đề xuất cho phép dự án quản lý để dành thời gian của họ trên một cách chính xác giải thích các kết quả đó là chìa khóa để tăng hiệu quả hoạt động trong xây dựng [6] và theo [24-27] đòi hỏi sự chú ý hơn bởi vì điều kiện có thể khác nhau từ một dự án khác. Năm sau, chúng tôi xem xét các công việc có liên quan trên phương pháp dựa trên tầm nhìn.

Results (Vietnamese) 2:

từ hình ảnh sâu bị bắt bằng cách sử dụng các bộ cảm biến RGB-D; 2) một túi-of-tư thế hoạt động phân loại phân biệt được đào tạo sử dụng nhiều Support Vector Machines để phân loại
các hoạt động trực quan duy nhất từ một chuỗi xương cơ thể nhất định; và 3) một mẫu Markov ẩn (HMM) với Kernel Ước lượng mật độ (KDE) để đại diện cho xác suất phát xạ trong các hình thức phân phối thống kê của phân loại hoạt động đơn lẻ. Đối với mục đích huấn luyện và thử nghiệm, chúng tôi giới thiệu một bộ dữ liệu mới của mười RGB-D cho các hoạt động chuỗi vách thạch cao nội thất liên quan đến ba công nhân xây dựng thực tế tiến hành các hoạt động khác nhau trong tám địa điểm khác nhau. Thay vì tự thu thập và phân tích dữ liệu workface, phương pháp đề xuất cho phép các nhà quản lý dự án để dành nhiều thời gian của họ trên giải thích chính xác các kết quả đó là chìa khóa để tăng năng suất hoạt động trong xây dựng [6] và theo [24-27] đòi hỏi phải chú ý hơn vì điều kiện có thể khác nhau từ một dự án khác. Sau đây, chúng tôi xem xét các công việc liên quan về các phương pháp dựa trên tầm nhìn.