本文概述了基于众感检测的道路损坏检测挑战赛，数据集由六个国家的 47,420 张道路图像组成，来自 19 个国家的 60 多个团队参赛，最佳模型使用 YOLO 和 Faster-RCNN 系列模型的集成学习方法，取得所有 6 个国家测试数据的 F1 得分为 76％。

Nov, 2022

本研究通过使用卷积神经网络进行物体检测的最新方法，创建了一个可供公开使用的大型路面损伤数据集，该数据集包含了来自 7 个日本市的 9053 张路面损伤图片，针对这个数据集训练出有较高准确性的路面损伤检测模型，并成功将损伤分为八个类型。

Jan, 2018

通过对道路表面的重建，提高自主车辆的分析和预测能力，本研究介绍了道路表面重建数据集（RSRD），并构建了一个综合性基准用于恢复道路剖面的深度估计和立体匹配任务。初步评估结果显示我们的数据集的有效性，并强调了 RSRD 作为推动安全自动驾驶等技术的有价值资源。

Oct, 2023

公路场景理解在自动驾驶中至关重要，使机器能够感知视觉环境。本文介绍了 RSUD20K 数据集，它由来自孟加拉国道路的超过 20K 张高分辨率图像组成，包含 13 种物体的 130K 个边界框注释。我们的工作在以往努力的基础上显著改进，提供了详细的注释和更复杂的物体。我们对数据集进行了全面的研究，对各种最先进的目标检测器进行了基准测试，并探索了大型视觉模型作为图像注释器。

Jan, 2024

通过引入道路区域分割数据集（R2S100K），本研究提出了一种以结构不良的道路为特点的大规模数据集和评估基准来训练和评估道路分割，以提高自主驾驶的安全性和普适性。通过使用半监督学习方法，可以利用这些未标记的图像数据，结合快速高效的数据采样（EDS）自训练框架，进一步提高模型的学习效果，减少语义分割任务的标记成本。

Aug, 2023

我们提出了一种改进的 “剪切 - 粘贴” 增强技术，既考虑了图像中道路的真实位置，又考虑了注入损伤和目标图像之间的透视差异。

Jun, 2024

识别钢筋混凝土缺陷（RCDs）对于确定桥梁的结构完整性、交通安全性和耐久性至关重要。本研究通过对多标签分类的建筑检查图像进行训练，提供了高度多样的 RCD 数据集 “dacl1k”，并谨慎测试现有模型在该数据集上的可用性，结果表明最佳模型的准确匹配率为 32%。

Sep, 2023

发布 Audi 自主驾驶数据集（A2D2），以 6 个相机和 5 个激光雷达单元组成的传感器套件提供高质量的标注数据，其中包括立体分割、实例分割、3D 边框等注释，并提供包含非顺序帧以及多个城市循环记录的传感器数据捕获序列。

Apr, 2020

识别钢筋混凝土缺陷在评估混凝土桥梁的结构完整性、交通安全和长期耐久性方面起着至关重要的作用。本研究提出了一个名为 'dacl10k' 的多标签语义分割数据集，包括 9,920 张来自实际桥梁检查的图像，区分了 12 个损坏类别和 6 个关键桥梁组件，并提供了基线模型进行评估。最佳模型在测试集上达到了 0.42 的平均交叉并集。'dacl10k' 数据集以及我们的基线模型将对研究人员和实践者开放，代表了目前在桥梁检查领域中图像数量和类别多样性方面最大的数据集。

Sep, 2023

我们提出了一个名为 Urban Digital Twins Intelligent Road Inspection (UDTIRI) dataset 的标注良好的路面坑洞数据集，旨在协助深度学习算法在城市道路检查领域发挥更大潜力并利用该数据集进行目标检测、语义分割和实例分割等任务。

Apr, 2023