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

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

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

近年来，质量控制领域不断利用视频摄像和图像处理集成来进行有效的缺陷检测。然而，开发和改进自动缺陷检测模型所需的带有注释缺陷的全面数据集稀缺，阻碍了进展。本系统性综述涵盖 2015 年至 2023 年，鉴别 15 个公开可用的数据集并对其进行关键评估，以评估其用于基准测试和模型开发的有效性和适用性。研究结果揭示了各种数据集的多样化情况，如 NEU-CLS，NEU-DET，DAGM，KolektorSDD，PCB Defect Dataset 和空心圆柱缺陷检测数据集，每个数据集在图像质量、缺陷类型表示和实际应用方面都有其独特的优势和局限性。本系统性综述的目标是将这些数据集整合到一个地方，为寻找此类公开可用资源的研究人员提供全面参考。

Jun, 2024

通过使用深度学习技术来精确评估自然灾害中建筑损害，在利用遥感数据的背景下进行实现。我们探索使用来自全球各地的多样化灾难事件的 xBD 数据集作为主要焦点，以评估深度学习模型。我们解决了推广到新灾难和地区的挑战，同时考虑了自然灾害数据中固有的低质量和噪声标签的影响。此外，我们的研究定量地证明了对于有效的建筑损害检测，最低的卫星图像分辨率为 3 米，对于使用对称和非对称分辨率摄动分析的分类低于 1 米。为了实现对建筑损害检测和分类的稳健准确评估，我们评估了具有残差、压缩和激活以及双路径网络主干的不同深度学习模型，以及集成技术。总体而言，F-1 得分为 0.812 的 U-Net Siamese 网络集成在 xView2 挑战基准测试中表现最好。此外，我们还将对所有灾害进行训练的通用模型与洪水专家模型进行评估，并调查了在 Ahr Valley 的领域数据中的事件间通用性差距和分布。我们的研究发现展示了先进人工智能解决方案在增强气候变化引发的极端天气事件（如洪水和飓风）影响评估方面的潜力和局限性。这些见解对于在不断升级的气候挑战面前的灾害影响评估具有重要意义。

Sep, 2023

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

通过使用 Play-Doh 模型和 RealSense 相机，我们提出了 PD-REAL 数据集，用于在 3D 领域进行无监督异常检测研究，该数据集在分析 3D 信息的有益作用时展示了显著的节约成本、易扩展性和易于控制变量的优势。

Nov, 2023

在多个欧亚大学校园中，通过 MCD（多校园数据集），我们引入了一个综合性的数据集，其中包括各种传感模态、高精度的真实地面数据以及不同挑战性环境，与现有的地图进行注册，为感知及机器人领域的研究提供了全新的挑战。

Mar, 2024

通过利用遥感图像对屋顶类型进行分类，可以支持疟疾风险评估并有助于预防疟疾。我们提供莫桑比克的 Nacala-Roof-Material 数据集，其中包含高分辨率的无人机图像，并提供标签以确定房屋及其屋顶类型。该数据集定义了一个多任务计算机视觉问题，包括目标检测、分类和分割。我们基于该数据集对多种最先进的方法进行了基准测试，结果显示每种方法在各自任务上具有优势，但没有一种方法在所有任务上占据优势，这突显了我们数据集在多任务学习中的潜力。我们还通过引入深度有序分水岭（DOW）方法的变体解决了对象准确分割和分离的问题，从而改善了对象的描绘和分割效果。我们展示了我们的 DOW 变体是一种通用方法，可以改进 U-Net 和 DINOv2 主干网络的性能，实现了语义分割和实例分割之间更好的权衡。

Jun, 2024