DeepCrack 是由武汉大学计算机视觉与遥感实验室提供的基础设施裂缝检测基准数据集，相关论文成果为 DeepCrack: A deep hierarchical feature learning architecture for crack segmentation，旨在为裂缝检测算法研究提供标准化、高精度的监督学习数据支持，可直接用于 U-Net 、 DeepLab 、 SegNet 等深度学习模型的训练与评估，广泛应用于结构健康监测、道路巡检与建筑缺陷识别等研究方向。 该数据集包含 RGB 裂缝图像及其对应的像素级二值标注掩码，所有标注均为人工逐像素标注，适用于监督式语义分割任务训练，并且该数据集已按标准结构划分为训练集与测试集，每张图像均对应一个同名 mask 文件。

Citation

Liu et al., DeepCrack: A deep hierarchical feature learning architecture for crack segmentation, Neurocomputing, 2019.

@article{liu2019deepcrack,
title={DeepCrack: A Deep Hierarchical Feature Learning Architecture for Crack Segmentation},
author={Liu, Yahui and Yao, Jian and Lu, Xiaohu and Xie, Renping and Li, Li},
journal={Neurocomputing},
volume={338},
pages={139--153},
year={2019},
doi={10.1016/j.neucom.2019.01.036}
}