StreetSurfaceVis：一个由众包街景图像组成的数据集，按道路表面类型与质量标注

道路不平整显著影响交通参与者的安全与舒适度，尤其是骑行者和轮椅使用者等弱势群体。为训练全面的道路表面评估模型，我们引入了StreetSurfaceVis，一个包含9,122张街景图像的新数据集，图像主要来自德国，通过众包平台收集，并按道路表面类型与质量进行人工标注。通过构建异构数据集，我们旨在实现能够在不同图像来源下保持高精度的稳健模型。由于道路表面类型与质量的频率分布严重不平衡，我们提出了一种结合多种外部标签预测资源的采样策略，以确保每类有足够图像同时减少人工标注工作量。具体而言，我们评估了以下策略的影响：（1）利用OpenStreetMap标签丰富图像数据，（2）迭代训练并应用自定义表面类型分类模型，（3）通过基于提示的分类使用GPT-4o放大代表性不足的类别，（4）利用图像嵌入进行相似性搜索。综合运用这些策略有效减少了人工标注工作量，同时确保了充分的类别代表性。