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

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

该论文介绍了数据集 RDD2022 及其标注，是一个由多个国家的 47,420 张道路图像组成的数据集，旨在通过 RDD2022 进行低成本道路状态自动监测，并提出了基于深度学习方法的自动道路损害检测解决方案的挑战。

Sep, 2022

本文介绍了新型 COncrete DEfect BRidge IMage 数据集 (CODEBRIM)，用于对五种常见混凝土缺陷进行多目标分类，研究和比较了两种基于强化学习的元学习方法（MetaQNN 和高效神经架构搜索），以寻找适合这个具有挑战性的多类别多目标任务的卷积神经网络结构。结果显示，所学习的架构在我们的应用上比文献中普遍采用的神经网络架构具有更少的参数，并产生更好的多目标准确性。

Apr, 2019

本研究的目的是针对 DeepLabv3+ 模型在语义分割应用中的鲁棒性进行全面调查，研究结果显示性能与鲁棒性有很大关系，而有些架构属性则对鲁棒性产生了显著影响。

Aug, 2019

使用三阶段方法，在 3D 空间中从图像级别的检测模型上分割出异常实例，以实现有效的结构损伤评估。

Jan, 2024

本文旨在全面分析 LiDAR 语义分割模型在各种损坏情况下的鲁棒性，并通过提出的新基准 SemanticKITTI-C 系统地研究了 11 种不同的 LiDAR 语义分割模型。根据对实验的观察和分析，我们发现输入的表示对模型的鲁棒性起着至关重要的作用，并提出了一种改进的模型 RLSeg，通过简单而有效的修改方法，极大地提高了模型的鲁棒性。

Jan, 2023

本研究对语义分割进行了实验，利用具备 ladder-style 卷积架构的修改版 DenseNet-169 模型，针对四个基准数据集进行了预测，并在 ROB 2018 的指导下进行了验证。实验结果表明了几个有趣的发现。

Jun, 2018

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

本研究介绍了 ACDC 数据集用于自动驾驶汽车的视觉感知系统的训练和测试。该数据集包括了 4006 张图像，在雾、夜间、雨和雪等四种常见的不良视觉条件下进行拍摄，并附带高质量的语义注释和二进制掩码，支持标准语义分割和新引进的不确定性感知语义分割。实证研究表明，ACDC 的不良领域对现有方法构成了挑战，并证明了该数据集在推动该领域未来进展方面的价值。

Apr, 2021