DeepCrack ist ein Benchmark-Datensatz zur Erkennung von Infrastrukturrissen, der vom Labor für Computer Vision und Fernerkundung der Universität Wuhan bereitgestellt wird. Zugehörige Forschungsarbeiten umfassen... DeepCrack: Eine tiefe hierarchische Feature-Learning-Architektur für die RisssegmentierungZiel ist die Bereitstellung standardisierter und hochpräziser Daten für überwachtes Lernen zur Unterstützung der Forschung an Risserkennungsalgorithmen. Die Daten können direkt für das Training und die Evaluierung von Deep-Learning-Modellen wie U-Net, DeepLab und SegNet verwendet werden und finden breite Anwendung in Forschungsbereichen wie der Strukturüberwachung, der Straßeninspektion und der Erkennung von Gebäudefehlern. Dieser Datensatz enthält RGB-Bilder von Rissen und die zugehörigen binären, pixelgenauen Masken. Alle Labels wurden manuell Pixel für Pixel vergeben, wodurch sich der Datensatz für das Training von überwachten semantischen Segmentierungsverfahren eignet. Der Datensatz ist gemäß einer Standardstruktur in Trainings- und Testdatensätze unterteilt, und jedes Bild ist mit einer gleichnamigen Maskendatei verknüpft.

Zitat

Liu et al., DeepCrack: Eine tiefe hierarchische Feature-Learning-Architektur für die RisssegmentierungNeurocomputing, 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}
}