Abstract In order to achieve database-free (DB-free) vision-based monitoring on construction sites, this paper proposes a deep active learning approach that automatically evaluates the uncertainty of unlabeled training data, selects the most meaningful-to-learn instances, and eventually trains a deep learning model with the selected data. The proposed approach thus involves three sequential processes: (1) uncertainty evaluation of unlabeled data, (2) training data sampling and user-interactive labeling, and (3) model design and training. Two experiments were performed to validate the proposed method and confirm the positive effects of active learning: one experiment with active learning and the other without active learning (i.e., with random learning). In the experiments, the research team used a total of 17,000 images collected from actual construction sites. To achieve 80% mean Average Precision (mAP) for construction object detection, the random learning method required 720 training images, whereas only 180 images were sufficient when exploiting active learning. Moreover, the active learning could build a deep learning model with the mAP of 93.0%, while that of the random learning approach was limited to 89.1%. These results demonstrate the potential of the proposed method and highlight the considerable positive impacts of uncertainty-based data sampling on the model's performance. This research can improve the practicality of vision-based monitoring on construction sites, and the findings of this study can provide valuable insights and new research directions for construction researchers.

中文翻译：

---

在建筑工地实现无数据库的基于视觉的监控：一种深度主动学习方法

摘要 为了实现建筑工地无数据库（DB-free）视觉监控，本文提出了一种深度主动学习方法，自动评估未标记训练数据的不确定性，选择最有意义的学习实例，并最终用选定的数据训练一个深度学习模型。因此，所提出的方法涉及三个连续过程：（1）未标记数据的不确定性评估，（2）训练数据采样和用户交互标记，以及（3）模型设计和训练。进行了两个实验来验证所提出的方法并确认主动学习的积极影响：一个实验有主动学习，另一个没有主动学习（即随机学习）。在实验中，研究团队一共使用了 17 个，从实际施工现场收集的 000 幅图像。为了实现 80% 的建筑物体检测平均精度 (mAP)，随机学习方法需要 720 张训练图像，而在利用主动学习时仅 180 张图像就足够了。此外，主动学习可以构建深度学习模型，mAP 为 93.0%，而随机学习方法的 mAP 限制为 89.1%。这些结果证明了所提出方法的潜力，并突出了基于不确定性的数据采样对模型性能的相当大的积极影响。这项研究可以提高基于视觉的建筑工地监测的实用性，这项研究的结果可以为建筑研究人员提供有价值的见解和新的研究方向。为了实现 80% 的建筑物体检测平均精度 (mAP)，随机学习方法需要 720 张训练图像，而在利用主动学习时仅 180 张图像就足够了。此外，主动学习可以构建深度学习模型，mAP 为 93.0%，而随机学习方法的 mAP 限制为 89.1%。这些结果证明了所提出方法的潜力，并突出了基于不确定性的数据采样对模型性能的相当大的积极影响。这项研究可以提高基于视觉的建筑工地监测的实用性，这项研究的结果可以为建筑研究人员提供有价值的见解和新的研究方向。为了实现 80% 的建筑物体检测平均精度 (mAP)，随机学习方法需要 720 张训练图像，而在利用主动学习时仅 180 张图像就足够了。此外，主动学习可以构建深度学习模型，mAP 为 93.0%，而随机学习方法的 mAP 限制为 89.1%。这些结果证明了所提出方法的潜力，并突出了基于不确定性的数据采样对模型性能的相当大的积极影响。这项研究可以提高基于视觉的建筑工地监测的实用性，这项研究的结果可以为建筑研究人员提供有价值的见解和新的研究方向。而在利用主动学习时，只有 180 张图像就足够了。此外，主动学习可以构建深度学习模型，mAP 为 93.0%，而随机学习方法的 mAP 限制为 89.1%。这些结果证明了所提出方法的潜力，并突出了基于不确定性的数据采样对模型性能的相当大的积极影响。这项研究可以提高基于视觉的建筑工地监测的实用性，这项研究的结果可以为建筑研究人员提供有价值的见解和新的研究方向。而在利用主动学习时，只有 180 张图像就足够了。此外，主动学习可以构建深度学习模型，mAP 为 93.0%，而随机学习方法的 mAP 限制为 89.1%。这些结果证明了所提出方法的潜力，并突出了基于不确定性的数据采样对模型性能的相当大的积极影响。这项研究可以提高基于视觉的建筑工地监测的实用性，这项研究的结果可以为建筑研究人员提供有价值的见解和新的研究方向。这些结果证明了所提出方法的潜力，并突出了基于不确定性的数据采样对模型性能的相当大的积极影响。这项研究可以提高基于视觉的建筑工地监测的实用性，这项研究的结果可以为建筑研究人员提供有价值的见解和新的研究方向。这些结果证明了所提出方法的潜力，并突出了基于不确定性的数据采样对模型性能的相当大的积极影响。这项研究可以提高基于视觉的建筑工地监测的实用性，这项研究的结果可以为建筑研究人员提供有价值的见解和新的研究方向。