conditional random field and as a r

conditional random field and as a result, the accuracy of activity recognition has been significantly improved compared to their previous work. These studies have all been conducted with data captured under controlled conditions with no occlusions. More precisely, for training/ testing these methods, the depth sensors were placed in front of the human body which is more suitable for game/robotic applications as mostly a first-person view is needed in those cases. Unfortunately in construction activities, workface interaction and occlusions (both selfocclusions and those caused by construction objects) are the most dominant conditions of a scene. Also it is practically impossible to place the depth sensor in front of the worker. Placing the sensor behind or on the sides of the operations to document worker activities causes a larger range of intra-class variability in the body posture. Also these methods were mainly tested for simple activities where the duration of each activity was rather consistent. High intra-class variability in the duration of construction activities both among multiple workers and also for single worker spending different amounts of time for repeating similar activity is yet another challenging factor in learning the visual structure of construction operations.
Table 1 summarizes the limitations of the state-of-the-art technolo¬gies for automated workface assessment This table primarily contrasts RGB-D based solution with sensor-based methods. For comparison of camera-based methods, the reader is encouraged to look into [28,35].
Despite the existence of various methods for tracking workers or recognizing their atomic activities, to our knowledge the problem of inferring a time-series of duration-variant activities for construction workface assessment from a sequence of depth images is not studied before. Thus, the main contribution of this article is the modeling of the worker activity recognition, recognizing their durations, and transi-tions from one activity to another as an inference problem. We also introduce a new dataset of RGB-D sequences for interior drywall operations involving three construction workers conducting
eight different activities in various interior locations. The structure of the rest of the paper is as follows: In Section 3, our approach to workface assess¬ment is introduced. Our new dataset and experimental setup are

Results (Vietnamese) 1:

có điều kiện ngẫu nhiên trường và kết quả là, tính chính xác của hoạt động công nhận đã được cải thiện đáng kể so với công việc trước đây của họ. Các nghiên cứu này có tất cả được thực hiện với dữ liệu bị bắt theo các điều kiện kiểm soát với occlusions không có. Chính xác hơn, cho đào tạo / thử nghiệm những phương pháp này, các bộ cảm biến độ sâu được đặt ở phía trước của cơ thể con người mà là phù hợp hơn cho các ứng dụng trò chơi/robot như chủ yếu là một cái nhìn người đầu tiên là cần thiết trong những trường hợp. Thật không may trong xây dựng hoạt động, workface tương tác và occlusions (cả hai selfocclusions và những người gây ra bởi các đối tượng xây dựng) là những điều kiện chiếm ưu thế nhất của một cảnh. Cũng là thực tế không thể để đặt bộ cảm biến độ sâu ở phía trước của người lao động. Đặt bộ cảm biến phía sau hoặc trên các cạnh của các hoạt động để tài liệu nhân viên hoạt động gây ra một phạm vi lớn hơn của biến đổi bên trong lớp trong tư thế cơ thể. Cũng những phương pháp này đã được chủ yếu là thử nghiệm cho các hoạt động đơn giản mà thời gian của mỗi hoạt động là khá nhất quán. Sự biến đổi nội cao cấp trong thời gian hoạt động xây dựng cả hai trong số nhiều công nhân và cũng cho duy nhất công nhân chi tiêu số tiền khác nhau của thời gian cho lặp đi lặp lại các hoạt động tương tự như được là một yếu tố khác đầy thách thức trong việc học cấu trúc thị giác của hoạt động xây dựng.Bảng 1 tóm tắt những hạn chế của technolo¬gies nhà nước-of-the-nghệ thuật đánh giá tự động workface bảng này chủ yếu tương phản RGB-D dựa giải pháp với phương pháp dựa trên cảm biến. Để so sánh của máy ảnh dựa trên phương pháp, người đọc được khuyến khích để nhìn vào [28,35].Mặc dù sự tồn tại của các phương pháp khác nhau để theo dõi người lao động hoặc công nhận các hoạt động nguyên tử, để kiến thức của chúng tôi vấn đề suy luận thời gian một loạt biến thể thời gian hoạt động cho workface là nhà đánh giá xây dựng từ một chuỗi hình ảnh sâu không học trước khi. Do đó, sự đóng góp chính của bài viết này là mô hình của sự công nhận hoạt động công nhân, công nhận của thời gian, và transi-tions từ một trong những hoạt động khác như là một vấn đề suy luận. Chúng tôi cũng giới thiệu một bộ dữ liệu mới của chuỗi RGB-D cho nội thất tường hoạt động liên quan đến ba công nhân xây dựng tiến hành Tám các hoạt động khác nhau ở nhiều vị trí nội thất. Cấu trúc của phần còn lại của giấy là như sau: trong phần 3, chúng tôi cách tiếp cận để workface assess¬ment được giới thiệu. Số liệu mới và thiết lập thử nghiệm của chúng tôi

Results (Vietnamese) 2:

trường ngẫu nhiên có điều kiện và kết quả là, công nhận tính chính xác của hoạt động đã được cải thiện đáng kể so với công việc trước đây của họ. Những nghiên cứu này đã được tiến hành với tất cả các dữ liệu bị bắt theo các điều kiện không có occlusions. Chính xác hơn, cho đào tạo / thử nghiệm các phương pháp, các bộ cảm biến chiều sâu được đặt ở phía trước của cơ thể con người mà là phù hợp hơn cho game / ứng dụng robot như chủ yếu là nhìn người thứ nhất là cần thiết trong những trường hợp đó. Đáng tiếc là trong hoạt động xây dựng, tương tác và workface occlusions (cả selfocclusions và những người gây ra bởi các đối tượng xây dựng) là những điều kiện chi phối nhất của một cảnh. Ngoài ra nó là thực tế không thể đặt các cảm biến chiều sâu ở phía trước của người lao động. Đặt cảm biến phía sau hoặc hai bên của các hoạt động để tài liệu hoạt động nhân gây ra một phạm vi lớn của biến đổi trong nội bộ lớp trong tư thế cơ thể. Ngoài ra các phương pháp đã được thử nghiệm chủ yếu cho các hoạt động đơn giản mà thời hạn của từng hoạt động khá ổn định. Cao trong nội bộ lớp biến đổi trong suốt thời gian hoạt động xây dựng cả hai trong số nhiều công nhân và cũng cho phép công nhân chi tiêu số tiền khác nhau của thời gian để lặp lại các hoạt động tương tự như là một nhân tố khó khăn trong việc học các cấu trúc hình ảnh của hoạt động xây dựng.
Bảng 1 tóm tắt những hạn chế của nhà nước-of-the-art technolo¬gies đánh giá workface tự động Bảng này chủ yếu phản RGB-D dựa trên giải pháp với các phương pháp dựa trên cảm biến. Để so sánh các phương pháp dựa trên máy ảnh, người đọc được khuyến khích để nhìn vào [28,35].
Mặc dù sự tồn tại của các phương pháp khác nhau để theo dõi công nhân hoặc công nhận các hoạt động nguyên tử của họ, để hiểu biết của chúng tôi về vấn đề suy luận ra một chuỗi thời gian của duration- các hoạt động biến để đánh giá workface xây dựng từ một chuỗi các hình ảnh độ sâu không được nghiên cứu trước đây. Như vậy, sự đóng góp chính của bài viết này là các người mẫu của công nhận hoạt động công nhân, công nhận thời lượng của họ, và transi-tions từ một hoạt động khác như là một vấn đề suy luận. Chúng tôi cũng giới thiệu một bộ dữ liệu mới của các trình tự RGB-D cho các hoạt động vách thạch cao nội thất liên quan đến ba công nhân xây dựng tiến hành
tám hoạt động khác nhau tại các địa điểm nội thất khác nhau. Cấu trúc của các phần còn lại của bài báo như sau: Trong phần 3, cách tiếp cận của chúng tôi để workface assess¬ment được giới thiệu. Bộ dữ liệu mới của chúng tôi và thiết lập thí nghiệm là