ZEMCH 2019 International Conference Proceedings April.2020 | Page 373

completeness of the process by supplementing the location information more accurately without the 
additional work of the operator.       
Acknowledgments: This research was supported by Institute of Construction and Environmental Engineering at 
Seoul National University. The authors wish to express their gratitude for the support. 
References 
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.

Memon, Z., Majid, M., and Mustaffar, M., An automatic project progress monitoring model by integrating 
auto CAD and digital photos. Computing in Civil Engineering 2005   
Han, K., Lin, J., Golparvar‐Fard, M., A formalism for utilization of autonomous vision‐based systems and 
integrated project models for construction progress monitoring. Conference on Autonomous and Robotics 
construction of Infrastructure 2015 
Hamledari, H., Accabe, B., Davari, S., Shahi, A., Rezazadeh, A., Flager, F., Evaluation of computer vision‐ and 
4D BIM‐based construction progress tracking on a UAV platform. Leadership in Sustainable Infrastructure 
2017   
Hakouzue, K. Deep learning using Python. 1st ed., Wikiebooks, Korea, 2015; Volume 1, pp.221‐270.   
Cho, T., Deep learning for everyone. 1st ed., Gilbut, Korea, 2017; Volume 1, pp.120‐220.   
Simonyan, K., and Zisserman, A., Very deep convolutional networks for large‐scale image recognition. 2014 
Github. Available online: http://github.com/geifmany/cifar‐vgg (accessed on 30 Aug., 2019).   
Girshick, R., Donahue, J., Darrell, T., and Malik, J., Rich feature hierarchies for accurate object detection and 
semantic segmentation. 2014 
Github. Available online: http://github.com/rbgirshick/renn (accessed on 30 Aug., 2019).   
Redmon, J., Divvala, S., Girchick, R., Farhadi, A. , You only look one: Unified, real‐time object detection. 2016   
Github. Available online: http://github.com/experiencor/keras‐yolo2 (accessed on 30 Aug., 2019).   
Akhavian,  R.,  and  Behzada,  H.,  Smartphone‐based  construction  workers’  activity  recognition  and 
classification. Automation in Construction 2016 
Hamledari, H., McCabe, B., and Davari, S., Automated computer vision‐based detection of components of 
under‐construction indoor partitions. Automation in Construction 2017 
Golparvar‐Fard,  M.,  Heydarian,  A.,  and  Niebles,  C.,  Vision‐based  action  recognition  of  earthmoving 
equipment  using  spatio‐temporal  features  and  support  vector  machine  classifiers.  Advanced  Engineering 
Informatics 2013     
Kang,  W.,  Nam,  S.,  Ham,  Y.,  and  Lee,  S.,  Improved  heading  estimation  for  smartphone‐based  indoor 
positioning systems. 2012         
Foh, C., A practical path loss model for indoor WiFi positioning enhancement. ICICS 2007 

© 2019 by the authors. Submitted for possible open access publication under the terms 
and  conditions  of  the  Creative  Commons  Attribution  (CC  BY)  license 
(http://creativecommons.org/licenses/by/4.0/). 

Computer Vision and 4D BIM Applied Construction Project Progress Monitoring
362