Набор от данни HA4M: Мултимодален мониторинг на задачата за сглобяване за разпознаване на човешкия труд в производството

  • Özyer, T., Ak, DS & Alhajj, R. Подходи за разпознаване на човешки действия с набори от видео данни – проучване. Системи, базирани на знания 2221-36 (2021).

    статия

    Google Наука

  • Mahbub, U. & Ahad, MAR.Напредък в човешкото действие, дейност и разпознаване на жестове. съобщения за разпознаване на образи 155186-190 (2022).

    статия

    Google Наука

  • Чанг, HB et al. Цялостен преглед на методите за разпознаване на човешки действия, базирани на зрението. пипала 191-20 (2019).

    Google Наука

  • Wang, J., Chen, Y., Hao, S., Peng, X. & Hu, L. Задълбочено обучение за сензорно базирано разпознаване на активност: проучване. съобщения за разпознаване на образи 1193-11 (2019).

    статия

    Google Наука

  • Jegham, I., Khalifa, A.B., Alouani, I. & Mahjoub, M.A. Разпознаване на човешки действия, базирани на визия: преглед и предизвикателства в реалния свят. Международна криминалистика: Дигитално разследване 321–17 (2020).

    Google Наука

  • Sarkar, A., Banerjee, A., Singh, P. & Sarkar, R. 3D разпознаване на човешки действия: през очите на изследователите. Експертни системи с приложения 193116424 (2022).

    статия

    Google Наука

  • Ал-Амин, М. et al. Единна система от базирани на структурни данни CNN класификатори за разпознаване на процедури в производствения монтаж. Вестник за интелигентно производство ЮлиИ на (2021 г.).

  • Chen, C., Wang, T., Li, D. & Hong, J. Разпознаване на рекурсивна процедура за групиране, базирана на откриване на обекти и оценка на режима. Списание за производствени системи 55325–333 (2020).

    статия

    Google Наука

  • Zamora-Hernandez, MA, Castro-Vergas, JA, Azorin-Lopez, J. & Garcia-Rodriguez, J. Асистент за оптичен контрол, базиран на дълбоко обучение за асемблиране в Индустрия 4.0. компютри в индустрията 1311-15 (2021).

    статия

    Google Наука

  • Wang, L.; et al. Съвместно съвместно сглобяване между човек и робот. Анали на CIRP – Производствена технология 68701-726 (2019).

    статия

    Google Наука

  • мъж, е. et al. Научете процесите на сглобяване в реално време с помощта на размити изчисления и трансфер на обучение за ориентирано към човека интелигентно производство. Производство на Procidia 48926-931 (2020).

    статия

    Google Наука

  • Patalas-Maliszewska, J., Halikowski, D. & Damaševičius, R. Автоматизирано разпознаване на работна дейност в промишленото производство с помощта на конволюционни невронни мрежи. електроника 101–17 (2021).

    статия

    Google Наука

  • Кобаяши, Т., Аоки, Й., Шимизу, С., Кусано, К. и Окумура, С. Ин 15-та международна конференция за технологии за сигнали, изображения и интернет базирани системи (SITIS)440-446 (2019 г.).

  • Никора, мл et al. Архитектура за управление, управлявана от човека, за насърчаване на доброто психично здраве в сценарии на съвместни роботи. в 2021 30-та международна конференция на IEEE по роботика и човешка интерактивна комуникация (RO-MAN)285 – 291 (2021 г.).

  • Zhang, J., Li, W., Ogunbona, PO, Wang, P. & Tang, C. Набори от данни за разпознаване на действия, базирани на RGB-D: проучване. Разпознаване на шаблон 6086-105 (2016).

    статия

    Google Наука

  • Wang, P., Li, W., Ogunbona, P., Wan, J. & Escalera, S. RGB-D-базирано разпознаване на човешко движение с дълбоко обучение: проучване. Компютърно зрение и разбиране на изображения 171118-139 (2018).

    статия
    CAS

    Google Наука

  • Лопес, А.; Соуза Р и Педрини Х. Сканиране на RGB-D набори от данни. Компютърно зрение и разбиране на изображения 222, 103 489 (2022).

  • Zhang, J., Wang, P. & Gao, RX Хибридно машинно обучение за разпознаване и прогнозиране на човешки действия при сглобяване. Роботика и компютърно интегрирано производство 72102184 (2021).

    статия

    Google Наука

  • Microsoft. Документация за Azure Kinect DK. https://docs.microsoft.com/en-us/azure/kinect-dk/достъп до март 2022 (2021).

  • Romeo, L., Marani, R., Malosio, M., Perri, AG & D’Orazio, T. Анализ на ефективността на проследяване на тялото с помощта на Microsoft azure kinect. в 2021 г. 29-та средиземноморска конференция за контрол и автоматизация (MED).572-577 (2021 г.).

  • Алберт, JA, Owolabi, V., Gebel, A., Granacher, U. & Arnrich, B. пипала 20(2020 г.).

  • древен, м. et al. Оценка на постуралния контрол чрез Microsoft azure kinect dk: проучване за оценка. Методи и компютърни програми в биомедицината 209104324 (2021).

    статия

    Google Наука

  • Tölgyessy, M., Dekan, M., Chovanec, L. & Hubinský, P. Оценка на Kinect azure и сравнението му с kinect v1 и kinect v2. пипала 413(2021 г.).

  • Kurillo, G., Hemingway, E., Cheng, M. & Cheng, L. Оценка на точността на kinect azure и kinect v2. пипала 22(7) (2021 г.).

  • Чичирели, Дж. et al. Набор от данни HA4M: Мултимодален мониторинг на задачата за сглобяване за признаване на човешкия труд в производството. Научна банка данни (2022).

  • Лонго, Ф., Николети, Л. и А, П. Нови перспективи и открития за интелигентните оператори в Индустрия 4.0: подход, ориентиран към човека. Компютърно и индустриално инженерство 163107,824 (2022).

    статия

    Google Наука

  • Yadav SK, Tiwari K., Pandey HM & AliAkbar S. Преглед на разпознаването на мултимодална човешка дейност със специален фокус върху класификацията, приложенията, предизвикателствата и бъдещите насоки. Системи, базирани на знания 223106970 (2021).

    статия

    Google Наука

  • Лий, Й. et al. Ефективни двустъпкови мрежи за сегментиране на времеви процедури. Невронни изчисления 454373-381 (2021).

    статия

    Google Наука

  • Moutik, O., Tigani, S., Saadane, R. & Chehri, A. Модели, изградени върху хибридна визия за дълбоко обучение за откриване на взаимодействие човек-субект чрез дестилация на знания. Прочидия Компютърни науки 1925093-5103 (2021).

    статия

    Google Наука

  • Shahroudy, A., Liu, J., Ng, TT & Wang, G. NTU RGB+D: широкомащабен набор от данни за 3D анализ на човешката дейност. в Конференция на IEEE Computer Society за разпознаване на модели на компютърно зрение (CVPR)1010-1019 (Лос Аламитос, Калифорния, САЩ, 2016).

  • Liu, J.; et al. NTU RGB+D 120: Широко разпространен стандарт за разбиране на човешката дейност в 3D. IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI) 422684-2701 (2020).

    статия

    Google Наука

  • Hu, JF, Zheng, WS, Lai, J. & Zhang, J. Съвместно обучение на разнородни характеристики за разпознаване на RGB-D активност. IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI) 392186-2200 (2017).

    статия

    Google Наука

  • Мартин, М.; et al. Шофиране и поведение: Мултимедиен набор от данни за точна идентификация на поведението на водача в автономни превозни средства. в Международна конференция на IEEE за компютърно зрение (ICCV)2801-2810 (2019 г.).

  • Youssef, A. B., Clavel, C., Essid, S., Bilac, M. & Chamoux, M. UE-HRI: нов набор от данни за изследване на потребителското взаимодействие при автоматизирани взаимодействия между човек и робот. в Международна конференция на ACM за мултимедийно взаимодействие464-472 (2017).

  • Никура, Е.; et al. Набор от данни на MoCA, кинетични и визуални потоци с множество изгледи за прецизни процедури за готвене. научни данни 7 6-9 (2020).

  • Saudabayev, A., Rysbek, Z., Khasenova1, R. & Varol, H.A. База данни за усвояване от човека на ежедневни дейности с дълбочина, цвят и кинематични данни за потока. научни данни 5И на (2018).

  • Li, W., Zhang, Z. & Liu, Z. Разпознаване на движение на базата на триизмерна торба с точки. в Конференция на IEEE Computer Society за компютърно зрение и разпознаване на образи – семинари9-14 (Сан Франциско, Калифорния, САЩ, 2010 г.).

  • Wang, J., Liu, Z., Wu, Y. & Yuan, J. Разпознаване на движение на минна група с камери за дълбочина. в Конференция на IEEE за компютърно зрение и разпознаване на образи (CVPR) (Провидънс, RA, САЩ, 2012 г.).

  • Xia, L., Chen, CC & Aggarwal, J. Демонстрирайте статично разпознаване на човешкото движение с помощта на 3D артикулационни диаграми. в Конференция на IEEE за компютърно зрение и разпознаване на образи (CVPR) (Провидънс, RA, САЩ, 2012 г.).

  • Ni, B., Wang, G. & Moulin, P. RGBD-HuDaAct: видео база данни с дълбочина на цветовете за разпознаване на човешката ежедневна дейност. в Конференция на IEEE Computer Society за компютърно зрение и разпознаване на образи – семинари1147-1153 (Барселона, Испания, 2011 г.).

  • Senner, F.; et al. Assembly101: Мащабен многоизгледен набор от видео данни за разбиране на процедурни дейности. предпечат в URL адрес (2022).

  • Рагуза, Ф., Фурнари, А., Ливатино, С. и Фаринела, Г. М. Наборът от данни MECCANO: разбиране на взаимодействията между човешки субекти от егоцентрични видеоклипове в поле, подобно на промишлено. в Зимна конференция на IEEE/CVF за приложенията на компютърното зрение (WACV)1569-1578 (2021 г.).

  • Бен-Шабат, Й. et al. Набор от данни на IKEA ASM: Разбиране на хората, които събират мебели чрез движения, предмети и пози. в Зимна конференция на IEEE/CVF за приложенията на компютърното зрение (WACV)847-859 (2021 г.).

  • Планетарна скоростна кутия Redaelli, DF, Storm, FA & Fioretta и G. MindBot. ксенодо (2021 г.).