論文の概要: StructDamage:A Large Scale Unified Crack and Surface Defect Dataset for Robust Structural Damage Detection

• arxiv url: http://arxiv.org/abs/2603.10484v1
• Date: Wed, 11 Mar 2026 07:17:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.824433
• Title: StructDamage:A Large Scale Unified Crack and Surface Defect Dataset for Robust Structural Damage Detection
• Title（参考訳）: StructDamage:ロバスト構造損傷検出のための大規模統一き裂と表面欠陥データセット
• Authors: Misbah Ijaz, Saif Ur Rehman Khan, Abd Ur Rehman, Sebastian Vollmer, Andreas Dengel, Muhammad Nabeel Asim,
• Abstract要約: StructDamageは、9つの表面タイプにまたがる約78,093枚の画像のキュレートされたコレクションである。 提案したデータセットは、分類タスクに適した包括的で汎用的なリソースを提供する。
• 参考スコア（独自算出の注目度）: 5.775681471953946
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated detection and classification of structural cracks and surface defects is a critical challenge in civil engineering, infrastructure maintenance, and heritage preservation. Recent advances in Computer Vision (CV) and Deep Learning (DL) have significantly improved automatic crack detection. However, these methods rely heavily on large, diverse, and carefully curated datasets that include various crack types across different surface materials. Many existing public crack datasets lack geographic diversity, surface types, scale, and labeling consistency, making it challenging for trained algorithms to generalize effectively in real world conditions. We provide a novel dataset, StructDamage, a curated collection of approximately 78,093 images spanning nine surface types: walls, tile, stone, road, pavement, deck, concrete, and brick. The dataset was constructed by systematically aggregating, harmonizing, and reannotating images from 32 publicly available datasets covering concrete structures, asphalt pavements, masonry walls, bridges, and historic buildings. All images are organized in a folder level classification hierarchy suitable for training Convolutional Neural Networks (CNNs) and Vision Transformers. To highlight the practical value of the dataset, we present baseline classification results using fifteen DL architectures from six model families, with twelve achieving macro F1-scores over 0.96. The best performing model DenseNet201 achieves 98.62% accuracy. The proposed dataset provides a comprehensive and versatile resource suitable for classification tasks. With thorough documentation and a standard structure, it is designed to promote reproducible research and support the development and fair evaluation of robust crack damage detection approaches.
• Abstract（参考訳）: 構造物の亀裂や表面欠陥の自動検出と分類は、土木工学、インフラ整備、保存保存において重要な課題である。 コンピュータビジョン(CV)とディープラーニング(DL)の最近の進歩は、自動き裂検出を著しく改善している。 しかし、これらの手法は、様々な表面材料にまたがる様々なクラックタイプを含む、大きく、多様で、慎重に計算されたデータセットに大きく依存している。 多くの既存の公共クラックデータセットは、地理的多様性、表面タイプ、スケール、ラベルの一貫性に欠けており、訓練されたアルゴリズムが現実の環境で効果的に一般化することは困難である。 壁, タイル, 石, 道路, 舗装, デッキ, コンクリート, レンガの9種類にまたがる, 約78,093枚の画像を集めた新しいデータセットStructDamageを提供する。 このデータセットは、コンクリート構造物、アスファルト舗装、石造りの壁、橋、歴史的な建物を含む32の公開データセットから、システマティックに集約し、調和し、再注釈することで構築された。 すべての画像は、畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマーのトレーニングに適したフォルダレベルの分類階層で整理される。 データセットの実用的価値を明らかにするため、6つのモデルファミリーの15のDLアーキテクチャを用いてベースライン分類を行い、0.96以上のマクロF1スコアを12個達成した。 最高のパフォーマンスモデルであるDenseNet201は98.62%の精度を実現している。 提案したデータセットは、分類タスクに適した包括的で汎用的なリソースを提供する。 詳細なドキュメンテーションと標準構造により、再現可能な研究を促進し、堅牢なき裂損傷検出手法の開発と公正な評価を支援するように設計されている。

関連論文リスト

• CellPainTR: Generalizable Representation Learning for Cross-Dataset Cell Painting Analysis [51.56484100374058]
  本稿では,細胞形態の基本的な表現を学習するためのトランスフォーマーベースのアーキテクチャであるCellPainTRを紹介する。 私たちの研究は、画像ベースのプロファイリングのための真の基盤モデルを作成するための重要なステップであり、より信頼性が高くスケーラブルなクロススタディ生物学的分析を可能にします。
  論文  参考訳（メタデータ） (2025-09-02T03:30:07Z)
• TopoFR: A Closer Look at Topology Alignment on Face Recognition [58.45515807380505]
  PTSAと呼ばれるトポロジカル構造アライメント戦略とSDEという硬質試料マイニング戦略を利用する新しいFRモデルであるTopoFRを提案する。 PTSAは永続ホモロジーを用いて入力空間と潜在空間の位相構造を整列し、構造情報を効果的に保存し、FRモデルの一般化性能を向上させる。 一般的な顔のベンチマーク実験の結果は、最先端の手法よりもTopoFRの方が優れていることを示している。
  論文  参考訳（メタデータ） (2024-10-14T14:58:30Z)
• Hybrid-Segmentor: A Hybrid Approach to Automated Fine-Grained Crack Segmentation in Civil Infrastructure [52.2025114590481]
  エンコーダ・デコーダをベースとした手法であるHybrid-Segmentorを導入する。 これにより、モデルは、様々な種類の形状、表面、き裂の大きさを区別する一般化能力を向上させることができる。 提案モデルは,5つの測定基準(精度0.971,精度0.804,リコール0.744,F1スコア0.770,IoUスコア0.630)で既存ベンチマークモデルより優れ,最先端の状態を達成している。
  論文  参考訳（メタデータ） (2024-09-04T16:47:16Z)
• StructLM: Towards Building Generalist Models for Structured Knowledge Grounding [49.10029030628653]
  大規模言語モデル(LLM)では、最先端(SoTA)モデルの背後にある構造化データラグを平均35%処理できる。 私たちは、MistralとCodeLlamaモデルファミリに基づいたStructLMと呼ばれる一連のモデルをトレーニングします。 我々のStructLMシリーズは、評価された18のデータセットのうち16のタスク固有モデルを超え、8つのSKGタスクに新しいSoTAパフォーマンスを確立する。
  論文  参考訳（メタデータ） (2024-02-26T15:47:01Z)
• Revisiting Generative Adversarial Networks for Binary Semantic Segmentation on Imbalanced Datasets [20.538287907723713]
  異常き裂領域検出は典型的なバイナリセマンティックセグメンテーションタスクであり、アルゴリズムによって舗装面画像上のひび割れを表す画素を自動的に検出することを目的としている。 既存のディープラーニングベースの手法は、特定の公共舗装のデータセットで優れた結果を得たが、不均衡なデータセットでは性能が劇的に低下する。 画素レベルの異常き裂領域検出タスクに対して,条件付き生成逆ネットワーク(cGAN)に基づくディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-03T19:24:40Z)
• Concrete Surface Crack Detection with Convolutional-based Deep Learning Models [0.0]
  き裂検出は、建物の構造的健康モニタリングと検査に重要である。 畳み込みニューラルネットワーク(CNN)は、ひび割れ検出のための有望なフレームワークとして登場した。 我々は、事前訓練されたディープラーニングアーキテクチャに微調整技術を採用する。
  論文  参考訳（メタデータ） (2024-01-13T17:31:12Z)
• Infrastructure Crack Segmentation: Boundary Guidance Method and Benchmark Dataset [11.282003429161163]
  本稿では, き裂の固有特性について検討し, き裂の識別に境界特性を導入する。 境界誘導クラックセグメンテーションモデル(BGCrack)を、高頻度モジュールを含むターゲット構造とモジュールで構築する。 本稿では, 鋼ひび割れの同定のための統一的, 公正なベンチマークを確立するための鋼ひび割れデータセットを提供する。
  論文  参考訳（メタデータ） (2023-06-15T15:25:53Z)
• Stereoscopic Universal Perturbations across Different Architectures and Datasets [60.021985610201156]
  本研究では,画像の逆摂動が不均一性推定タスクの深部ステレオマッチングネットワークに与える影響について検討する。 本稿では,データセット内の任意のステレオ画像対に追加されると,ステレオネットワークを騙すことのできる,単一の摂動セットを構築する方法を提案する。 我々の摂動は、最先端のステレオネットワークのD1エラーを1%から87%に増やすことができる。
  論文  参考訳（メタデータ） (2021-12-12T02:11:31Z)
• An Adaptive Structural Learning of Deep Belief Network for Image-based Crack Detection in Concrete Structures Using SDNET2018 [0.0]
  我々は、学習中に最適なネットワーク構造を自己組織的に見つける適応型構造的Deep Belief Network(Adaptive DBN)を開発した。 アダプティブDBNは階層アーキテクチャであり、各層はアダプティブリミテッドボルツマンマシン(Adaptive RBM)を採用している。 本手法は, ひび割れ検出のための具体的な画像ベンチマークデータセット SDNET2018 に適用した。
  論文  参考訳（メタデータ） (2021-10-25T07:29:25Z)

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。