We propose a supervised machine lea

We propose a supervised machine learning based method for workface assessment from RGB-D sequences. For training our model, we collected labeled data from actual interior drywall construction operations. Our input consists of depth image sequences recorded using a Microsoft Kinect sensor, from which we extract body posture features that are fed into our learning/inference algorithm. For recording purposes, we assume that the sensor is setup on a tripod in an approximate distance of three and half meters so that the workers are within the field-of-view of the depth sensor. In our experiments, we use the PrimeSense User Tracker [49] to detect and track the body posture, estimate the human pose, and generate body skeletons based on single depth images. Using body posture features extracted from this tracker, we train a Hidden Markov Model (HMM) which captures spatio- temporal properties of construction activities and models the transition between activities over time. Fig. 1 shows the setup of the sensor on a camera tripod both in laboratory and actual construction site settings.

Results (Vietnamese) 1:

Chúng tôi đề xuất một phương pháp giám sát máy học dựa workface đánh giá từ RGB-D chuỗi. Đào tạo mô hình của chúng tôi, chúng tôi thu thập dữ liệu có nhãn từ thực tế nội thất tường xây dựng hoạt động. Đầu vào của chúng tôi bao gồm chiều sâu chuỗi hình ảnh ghi lại bằng cách sử dụng một bộ cảm biến Microsoft Kinect, từ đó chúng tôi trích xuất các tính năng tư thế cơ thể được cho ăn vào thuật toán học tập/suy luận của chúng tôi. Cho các mục đích ghi âm, chúng tôi giả định rằng các cảm biến là cài đặt trên một chân trong một khoảng cách gần đúng của ba và một nửa mét vì thế công nhân trong lĩnh vực-of-view của bộ cảm biến độ sâu. Trong các thí nghiệm của chúng tôi, chúng tôi sử dụng theo dõi người dùng PrimeSense [49] phát hiện và theo dõi các tư thế cơ thể, ước tính tư thế của con người, và tạo ra bộ xương cơ thể dựa trên hình ảnh duy nhất chiều sâu. Chúng tôi sử dụng tính năng tư thế cơ thể chiết xuất từ này theo dõi, huấn luyện một ẩn Markov mô hình (HMM) mà bắt nhất - thời gian thuộc tính của các hoạt động xây dựng và mô hình sự chuyển tiếp giữa các hoạt động theo thời gian. Hình 1 cho thấy các thiết lập của bộ cảm biến trên một sàn máy ảnh cả trong phòng thí nghiệm và thực tế xây dựng trang web cài đặt.

Results (Vietnamese) 2:

Chúng tôi đề xuất một phương pháp học máy có giám sát dựa trên đánh giá workface từ chuỗi RGB-D. Đối với mô hình đào tạo của chúng tôi, chúng tôi thu thập dữ liệu từ nhãn hoạt động xây dựng vách thạch cao nội thất thực tế. Đầu vào của chúng tôi gồm có các chuỗi hình ảnh sâu ghi lại bằng cách sử dụng một cảm biến Kinect của Microsoft, từ đó chúng ta trích xuất các tính năng tư thế cơ thể được đưa vào thuật toán học / suy luận của chúng tôi. Đối với mục đích ghi lại, chúng tôi giả định rằng các bộ cảm biến được cài đặt trên một giá ba chân ở một khoảng cách tương đối của ba và một nửa mét để các công nhân đang trong tầm nhìn của trường-của-cảm biến chiều sâu. Trong thí nghiệm của chúng tôi, chúng tôi sử dụng các tài khoản PrimeSense Tracker [49] để phát hiện và theo dõi các tư thế cơ thể, ước tính con người gây ra, và tạo ra bộ xương cơ thể dựa trên hình ảnh sâu duy nhất. Sử dụng tính năng tư thế cơ thể chiết xuất từ ​​tracker này, chúng tôi đào tạo một mô hình Markov ẩn (HMM) mà chụp tính thời spatio- của hoạt động xây dựng mô hình và chuyển đổi giữa các hoạt động theo thời gian. Vả. 1 cho thấy các thiết lập của các cảm biến trên một chân máy camera cả trong phòng thí nghiệm và công trường xây dựng thực tế cài đặt.