論文の概要: Deep Learning for Crack Detection: A Review of Learning Paradigms, Generalizability, and Datasets

• arxiv url: http://arxiv.org/abs/2508.10256v1
• Date: Thu, 14 Aug 2025 00:47:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.14593
• Title: Deep Learning for Crack Detection: A Review of Learning Paradigms, Generalizability, and Datasets
• Title（参考訳）: き裂検出のためのディープラーニング:学習パラダイム,一般化可能性,データセットのレビュー
• Authors: Xinan Zhang, Haolin Wang, Yung-An Hsieh, Zhongyu Yang, Anthony Yezzi, Yi-Chang Tsai,
• Abstract要約: き裂検出は、舗装や建物の検査など、土木インフラにおいて重要な役割を担っている。 近年、ディープラーニングはこの分野を著しく進歩させてきた。 新たなトレンドは、学習パラダイムの移行や一般化可能性の改善など、ランドスケープを変革している。
• 参考スコア（独自算出の注目度）: 1.0843083483419447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Crack detection plays a crucial role in civil infrastructures, including inspection of pavements, buildings, etc., and deep learning has significantly advanced this field in recent years. While numerous technical and review papers exist in this domain, emerging trends are reshaping the landscape. These shifts include transitions in learning paradigms (from fully supervised learning to semi-supervised, weakly-supervised, unsupervised, few-shot, domain adaptation and fine-tuning foundation models), improvements in generalizability (from single-dataset performance to cross-dataset evaluation), and diversification in dataset reacquisition (from RGB images to specialized sensor-based data). In this review, we systematically analyze these trends and highlight representative works. Additionally, we introduce a new dataset collected with 3D laser scans, 3DCrack, to support future research and conduct extensive benchmarking experiments to establish baselines for commonly used deep learning methodologies, including recent foundation models. Our findings provide insights into the evolving methodologies and future directions in deep learning-based crack detection. Project page: https://github.com/nantonzhang/Awesome-Crack-Detection
• Abstract（参考訳）: き裂検出は, 舗装, 建物等の検査などの土木インフラにおいて重要な役割を担っており, 近年, 深層学習が著しく進歩している。 この領域には数多くの技術論文やレビュー論文が存在するが、新たなトレンドが展望を変えつつある。 これらのシフトには、学習パラダイムの移行(完全な教師付き学習から、半教師付き学習、弱教師付き学習、少数ショット、ドメイン適応、微調整基礎モデル)、一般化可能性の改善(シングルデータセットのパフォーマンスからクロスデータセット評価まで)、データセット再取得の多様化(RGBイメージから特殊なセンサーベースデータまで)が含まれる。 本稿では,これらの傾向を体系的に分析し,代表作品のハイライトを行う。 さらに、3Dレーザースキャンで収集した新しいデータセット3DCrackを導入し、将来の研究を支援し、最近の基礎モデルを含む一般的なディープラーニング手法のベースラインを確立するための広範なベンチマーク実験を行う。 本研究は,深層学習による亀裂検出における方法論と今後の方向性に関する知見を提供する。 プロジェクトページ:https://github.com/nantonzhang/Awesome-Crack-Detection

関連論文リスト

• Towards Depth Foundation Model: Recent Trends in Vision-Based Depth Estimation [75.30238170051291]
  深さ推定は3Dコンピュータビジョンの基本課題であり、3D再構成、自由視点レンダリング、ロボティクス、自律運転、AR/VR技術といった応用に不可欠である。 LiDARのようなハードウェアセンサーに依存する従来の方法は、しばしば高コスト、低解像度、環境感度によって制限され、現実のシナリオで適用性を制限する。 ビジョンベースの手法の最近の進歩は有望な代替手段を提供するが、低容量モデルアーキテクチャやドメイン固有の小規模データセットへの依存のため、一般化と安定性の課題に直面している。
  論文  参考訳（メタデータ） (2025-07-15T17:59:59Z)
• Evolving Machine Learning: A Survey [3.8137023630861315]
  この調査は、データドリフト、コンセプトドリフト、破滅的な忘れ、歪んだ学習、ネットワーク適応の5つの主要な課題に焦点を当てている。 我々は120以上の研究を体系的にレビューし、教師なし、教師なし、および半教師なしのアプローチにまたがって最先端の手法を分類した。 我々の研究は、研究者や実践者が実世界の展開のために堅牢で倫理的でスケーラブルなシステムを開発するのをガイドすることを目的としている。
  論文  参考訳（メタデータ） (2025-05-23T13:50:02Z)
• Deep Learning Advancements in Anomaly Detection: A Comprehensive Survey [43.75849983150303]
  データセットが複雑化するにつれて、従来の異常検出手法は複雑なパターンを捉えるのに苦労する。 ディープラーニングにより、ADメソッドはより強力で適応可能になり、高次元および非構造化データを扱う能力が改善された。 このレビューは、既存の文献のギャップを埋め、深層学習を用いたAD技術の向上を目指す研究者や実践者にとって貴重な情報源となる。
  論文  参考訳（メタデータ） (2025-03-17T14:04:48Z)
• Deep Learning within Tabular Data: Foundations, Challenges, Advances and Future Directions [4.795774784702568]
  タブラルデータはまだ、さまざまな現実世界のアプリケーションで広く使われているデータタイプのひとつだ。 しかし、この領域の効果的な表現学習は、不規則なパターン、不均一な特徴分布、複雑なカラム間の依存関係など、ユニークな課題を生んでいる。
  論文  参考訳（メタデータ） (2025-01-07T05:23:36Z)
• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• Continual Learning with Pre-Trained Models: A Survey [61.97613090666247]
  継続的な学習は、新しい知識を学ぶ際に、かつての知識の破滅的な忘れを克服することを目的としている。 本稿では, PTM を用いた CL の最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2024-01-29T18:27:52Z)
• Deep Depth Completion: A Survey [26.09557446012222]
  我々は、読者が研究動向をよりよく把握し、現在の進歩を明確に理解するのに役立つ総合的な文献レビューを提供する。 ネットワークアーキテクチャ,損失関数,ベンチマークデータセット,学習戦略の設計面から,関連する研究について検討する。 室内および屋外のデータセットを含む,広く使用されている2つのベンチマークデータセットに対して,モデル性能の定量的比較を行った。
  論文  参考訳（メタデータ） (2022-05-11T08:24:00Z)
• A Comparative Review of Recent Few-Shot Object Detection Algorithms [0.0]
  ラベル付きデータで新しいクラスに適応するために学習するオブジェクトの少ない検出は、命令的で長期にわたる問題である。 近年の研究では、ターゲットドメインを監督せずに追加データセットに暗黙の手がかりを使って、少数のショット検出器が堅牢なタスク概念を洗練させる方法が研究されている。
  論文  参考訳（メタデータ） (2021-10-30T07:57:11Z)
• Deep Learning Schema-based Event Extraction: Literature Review and Current Trends [60.29289298349322]
  ディープラーニングに基づくイベント抽出技術が研究ホットスポットとなっている。 本稿では,ディープラーニングモデルに焦点をあて,最先端のアプローチを見直し,そのギャップを埋める。
  論文  参考訳（メタデータ） (2021-07-05T16:32:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。