该文通过构建几何相关图，利用概率表示来解决单目三维检测的问题，从而提高了检测性能并保持实时性的有效性。

Jul, 2021

本文提出了一种在线识别人们佩戴个人防护装备的架构，可用于确保建筑工人的安全，可以在边缘-云和仅边缘的两种设置下部署，使用 YOLOX 方法在建筑工地上进行了测试，初步评估表明，对于这种用例，边缘部署是可行的，未来的工作将包括对两种架构变体性能方面进行深入研究和部署。

Jan, 2023

提出一种基于目标检测算法的自动化建筑施工进度监控方法，通过集成计算机视觉技术，可以为利益相关者提供可靠、高效和经济的监控手段，从而促进项目进度的及时决策，最终实现建设项目的成功完成。

May, 2023

本研究创建并发布带有三维注释的虚拟数据集VCVW-3D，该数据集涵盖了15个建筑场景以及10种建筑车辆和工人。通过对VCVW-3D数据集进行训练和评估，提供用于后续研究的基准。VCVW-3D预计将通过降低数据构建、原型开发和探索空间感知应用的成本，从而促进建筑中计算机视觉（CV）的发展，特别是3D应用。

May, 2023

提出一种基于凸多边形的全可微分算法，用于计算任意角度下两个三维边界框的IoU，并利用该算法在三种最先进的视角不可知的三维检测模型上进行实验，结果表明提出的多边形IoU损失（PIoU损失）收敛速度比L1损失更快，并且在三维检测模型中，PIoU损失与L1损失的组合比单独使用L1损失时获得更好的结果（对于汽车的MonoCon，AP70提高了1.64%，对于汽车的RTM3D，AP70提高了0.18%，对于骑自行车的MonoRCNN，AP50/AP25分别提高了0.83%/2.46%）。

Sep, 2023

通过对相机姿态变换的研究，我们发现3D物体检测性能在不同于训练数据所用相机系统的情况下明显降低。为了解决这个问题，我们提出了一个通用的3D物体检测方法，其中包括一个位置修正模块，用于校正估计的3D边界框位置和朝向，并在不进行额外训练的情况下，提高了AP3D得分（KITTI moderate，IoU > 70%）约6至10倍。定量和定性结果都验证了该方法的有效性。

Oct, 2023

针对建筑工地的多样挑战，介绍了一个新的语义分割数据集，以增强目标检测模型在不同的天气和环境条件下的训练和评估，从而促进其在实际建筑应用中的适应能力和可靠性。

Dec, 2023

提高工地工人的道路工区安全措施对于日益老化的公路基础设施以及工区数量的增加具有迫切需求。本研究旨在通过对不同组合的多模态增强现实警告对工人反应时间的影响进行广泛分析，改善道路工区的安全措施。通过在真实环境和虚拟现实环境中模拟道路工区的特殊条件，本研究通过三个关键组件（先进的增强现实系统原型、工区环境内的虚拟现实模拟和用户体验同步的Wizard of Oz技术）进行了一系列实验。通过在控制的室外工区和室内虚拟现实环境中进行五项实验，我们的研究提供了关于各种多模态增强现实警告如何影响工人反应时间的宝贵信息。此外，我们的研究结果揭示了虚拟现实模拟和实际场景之间的反应时间差异，从而评估了虚拟现实模拟道路工区动态的能力，并证实了基于视觉的反应时间测量的潜力和可靠性。这些发现与使用简单反应时间技术得出的结果是一致的，强调了这种方法在实际应用中的可行性。

Mar, 2024

通过使用2D检测作为指令，我们提出了一种新颖且简单的方法来解决沿路单目三维检测问题，该方法在两个大规模路边三维检测基准上取得了当前最先进的性能。

Apr, 2024

本研究针对工业装配线中人类行为理解的空白，提出了一种基于视觉的框架，专注于汽车门的制造过程。通过引入CarDA数据集和先进的计算机视觉技术，该框架能够有效捕捉工人的位置信息、3D姿态以及工作进展，实验结果表明其在工人姿态分类和装配任务监控方面表现优异。

Sep, 2024