DeepCrack est un jeu de données de référence pour la détection des fissures dans les infrastructures, fourni par le Laboratoire de vision par ordinateur et de télédétection de l'Université de Wuhan. Parmi les articles de recherche associés, on peut citer… DeepCrack : une architecture d'apprentissage hiérarchique profond des caractéristiques pour la segmentation des fissuresCe projet vise à fournir des données d'apprentissage supervisé standardisées et de haute précision pour la recherche sur les algorithmes de détection de fissures. Il peut être utilisé directement pour l'entraînement et l'évaluation de modèles d'apprentissage profond tels que U-Net, DeepLab et SegNet, et est largement utilisé dans des domaines de recherche comme la surveillance de l'intégrité structurelle, l'inspection routière et l'identification des défauts de construction. Ce jeu de données contient des images de fissures en RGB et leurs masques binaires étiquetés au niveau pixel. Toutes les étiquettes sont apposées manuellement pixel par pixel, ce qui le rend adapté à l'apprentissage supervisé de la segmentation sémantique. Le jeu de données a été divisé en ensembles d'entraînement et de test selon une structure standard, et chaque image correspond à un fichier de masque portant le même nom.

Citation

Liu et al., DeepCrack : une architecture d'apprentissage hiérarchique profond des caractéristiques pour la segmentation des fissuresNeuroinformatique, 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}
}