dacl1k：检验开源数据的真实世界桥梁损伤数据集
计算机视觉与模式识别
2023-09-08 v1
摘要
识别钢筋混凝土缺陷（RCDs）是判定桥梁结构完整性、交通安全和耐久性的关键环节。然而，现有 RCD 领域的大多数数据集源自少数桥梁，以特定相机位姿、光照条件和固定硬件采集。这些局限令在此类开源数据上训练的模型在真实场景中的可用性存疑。我们通过在我们的“dacl1k”数据集上测试此类模型来解决该问题，该数据集是一个基于建筑检测、包含 1,474 张图像的高度多样化的 RCD 多标签分类数据集。为此，我们在不同开源数据组合（元数据集）上训练模型，并随后进行外部与内部评估。在外部评估中，我们报告了在 dacl1k 和元数据集上的指标。在 dacl1k 上的性能分析显示了元数据的实际可用性，其中最佳模型的精确匹配率为 32%。此外，我们通过对外部评估得出的最佳模型的瓶颈特征进行聚类来开展内部评估，以探明该模型学到的是区分数据集还是（作为期望目标的）类别（RCDs）。dacl1k 数据集及我们训练的模型将公开提供，使研究人员和从业者能够将他们的模型置于真实世界检验之下。
引用
@article{arxiv.2309.03763,
title = {dacl1k: Real-World Bridge Damage Dataset Putting Open-Source Data to the Test},
author = {Johannes Flotzinger and Philipp J. Rösch and Norbert Oswald and Thomas Braml},
journal= {arXiv preprint arXiv:2309.03763},
year = {2023}
}