Silhouette-Based On-Site Human Action Recognition in Single-View Video
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
On-site worker observation is a fundamental task for a wide spectrum of construction applications such as safety behavior monitoring and productivity analysis. Vision-based action recognition techniques have been proposed to complement the time-consuming and labor-intensive tasks involved in manual observation. In construction, however, previous studies have mainly utilized an RGB-D sensor (e.g., Microsoft Kinect), the operating conditions of which (e.g., active ranges from 80 cm to 4 m, sensitivity to sun light) may hinder the application to actual construction jobsites. To address these issues, we propose a silhouette-based human action recognition method using a single video camera that has less operational constraint. In this framework, the human worker is localized and tracked throughout the monocular video, based on both spatial (i.e., contour of worker) and temporal changes (i.e., moving direction and speed over consecutive frames). Then human action models are learned with temporally adjacent frames and utilized to recognize similar actions in testing video by computing the similarity between the learned action model and newly computed model in a testing dataset. For performance evaluation, we carried out lab experiments, in which a video camera was installed 5–10 m from multiple human subjects. Results indicate that the proposed framework performs well (i.e., an accuracy of 90.68%) to capture predefined poses (e.g., walking, lifting, crawling) in image sequences. This study thus explores an automated means for worker monitoring which potentially helps understand and measure human motions without significant human effort.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle