Towards efficient and objective work sampling: Recognizing workers' activities in site surveillance videos with two-stream convolutional networks

ضبط وضعیت کارگران کارگران در پایانه، باعث می شود تا مدیران به دقت اندازه گیری و ارزیابی بهره وری نیروی کار، که به نوبه خود آنها را قادر به ارزیابی زیان های بهره وری و شناسایی علل می کند. نمونه گیری کار یک روش به طور گسترده ای برای این کار است، در حالیکه از کارایی کم بهره مند است زیرا فقط یک کارگر برای هر مشاهده انتخاب می شود. عدم تقارن انتخاب توجه نیز می تواند فرض انتخاب یکنواخت شیء خود را تغییر دهد. روش های مبتنی بر دید مبتنی بر این است که عمدتا به رسمیت شناختن فعالیت های جداگانه ای هستند که شامل چند کارگر یا تجهیزات می شوند. در این مقاله، یک روش تشخیص فعالیت را معرفی می کنیم که ویدیوهای نظارت را به عنوان ورودی می پذیرد و برچسب های فعالیت های متنوع و متداول کارگران فردی را در زمینه مشاهده می کند. شبکه های متخلخل برای تشخیص فعالیت هایی هستند که در جریان های مکانی و زمانی کدگذاری می شوند. استراتژی فیوژن جدید برای ترکیب نتایج به رسمیت شناختن دو جریان توسعه داده شده است. نتایج تجربی نشان می دهد که روش تشخیص فعالیت ما دقت متوسط ​​5/80 درصد را بدست آورده است، که با توجه به وضعیت پیشرفته تشخیص فعالیت در جامعه بینایی کامپیوتری، با توجه به حرکات شدید دوربین و وضوح پایین نظارت بر سایت فیلم ها و تفاوت های بین کلاس های حاشیه ای و تغییرات قابل توجه در درون گروهی فعالیت های کارگری. ما همچنین نشان می دهیم که روش ما می تواند به اجرای نمونه کار کارآمد و کارآمد کمک کند. مجموعه داده های آموزش و آزمایش این مطالعه در دسترس عموم قرار دارد.