論文の概要: Residential Construction Image Dataset Using CSI Divisions for Deep Learning-based Object Detection

• arxiv url: http://arxiv.org/abs/2610.25535v1
• Date: Sun, 18 Oct 2026 21:12:17 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:12:55.847298
• Title: Residential Construction Image Dataset Using CSI Divisions for Deep Learning-based Object Detection
• Title（参考訳）: 深層学習に基づく物体検出のためのCSI分割を用いた住宅構成画像データセット
• Abstract要約: 本稿では,CSIディビジョン(ResCD-CSI)画像データセットを用いた住宅建設データセットについて紹介する。 このデータセットは、アメリカ合衆国全土のアクティブな住宅建設現場から収集された高解像度画像で構成されている。 合計で、14のCSI部門にまたがる16,365のオブジェクトは、バウンディングボックスを使用して正確に注釈付けされた。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Accurate recognition of construction site elements is essential for the application of deep learning (DL) in the construction industry. Despite rapid advances in computer vision, the adoption of DL in construction has been limited by the lack of structured, publicly available datasets aligned with established industry standards. To address this gap, we introduce the Residential Construction Dataset Using CSI Divisions (ResCD-CSI) image dataset, a manually labeled image benchmark organized according to the divisional structure defined by the Construction Specifications Institute (CSI). The dataset comprises high-resolution images collected from active residential construction sites across the United States, capturing diverse building components, materials, and equipment under real-world conditions. In total, 16,365 objects spanning 14 major CSI divisions were precisely annotated using bounding boxes, ensuring consistency and reliability for object detection tasks. By aligning with the CSI divisional framework, ResCD-CSI establishes a standardized resource that bridges construction practice with computer vision research and supports the development of Artificial Intelligence-driven solutions for residential construction monitoring.
• Abstract（参考訳）: 建設業における深層学習(DL)の適用には,建設現場要素の正確な認識が不可欠である。 コンピュータビジョンの急速な進歩にもかかわらず、構築におけるDLの採用は、確立された業界標準に沿った構造化された公開データセットの欠如によって制限されてきた。 このギャップに対処するために,建設仕様研究所 (CSI) が定義した分割構造に基づいて,手動でラベル付けされた画像ベンチマークである,CSIディビジョン(ResCD-CSI)画像データセットを用いた住宅建設データセットを導入する。 このデータセットは、アメリカ合衆国全土のアクティブな住宅建設現場から収集された高解像度の画像で構成され、現実世界の環境下で多様な建築部品、材料、機器を収集する。 合計で、14のCSIディビジョンにまたがる16,365のオブジェクトは、バウンディングボックスを使用して正確にアノテートされ、オブジェクト検出タスクの一貫性と信頼性が保証された。 ResCD-CSIは、CSIの分割フレームワークと整合して、コンピュータビジョン研究と建設の実践を橋渡しする標準化されたリソースを確立し、住宅建設監視のための人工知能駆動ソリューションの開発を支援する。

関連論文リスト

• iVISION-2DCD: A Long-Term Change Detection Dataset for Large-Scale Outdoor Construction Monitoring [50.60358463714119]
  我々は,高密度LiDAR点雲からの大規模合成データセットiVISION-2DCDを提案する。 本データセットは,建設現場における2DCDの問題点を正式に定義する。 最先端の2DCDアルゴリズムを用いたベンチマーク評価は、iVISION-2DCDが新しい研究課題をもたらすことを示す。
  論文  参考訳（メタデータ） (2026-07-03T18:29:13Z)
• GeoMamba: A Geometry-driven MambaVision Framework and Dataset for Fine-grained Optical-SAR Object Retrieval [54.741349848771144]
  GeoMambaは光学SAR微細検索のための幾何学駆動フレームワークである。 GFIモジュールは、クロスモーダルな機能相互作用を強化し、構造的な事前を組み込む。 GeoMambaは既存の手法を上回り、全検索環境で63.3% mAPと77.0% Rank-1の精度を達成した。
  論文  参考訳（メタデータ） (2026-05-19T12:08:09Z)
• StructDiff: A Structure-Preserving and Spatially Controllable Diffusion Model for Single-Image Generation [72.84181869780627]
  StructDiffは、単一画像生成のための単一スケール拡散モデルに基づく生成フレームワークである。 3次元位置符号化(PE)を空間的先行として組み込んでおり、生成されたオブジェクトの位置、スケール、局所的な詳細を柔軟に制御することができる。 また、テキスト誘導画像生成、画像編集、アウトペインティング、ペイント・ツー・イメージ合成など、下流タスクにも幅広い適用性を示す。
  論文  参考訳（メタデータ） (2026-04-14T10:55:43Z)
• SIP: Site in Pieces- A Dataset of Disaggregated Construction-Phase 3D Scans for Semantic Segmentation and Scene Understanding [0.8594140167290097]
  本稿では,建設中のLiDAR取得の現実的な制約を反映したデータセットであるSIP, Site in Piecesを提案する。 SIPは、地上のLiDARスキャナーで捉えた屋内および屋外のシーンを提供し、建設環境に適した分類法を用いてポイントレベルで注釈を付ける。
  論文  参考訳（メタデータ） (2025-12-09T19:25:59Z)
• OpenConstruction: A Systematic Synthesis of Open Visual Datasets for Data-Centric Artificial Intelligence in Construction Monitoring [4.795391174842949]
  建設業界は、サイト監視のための人工知能(AI)と機械学習(ML)アプリケーションをサポートするために、視覚データにますます依存している。 ビジュアルデータセットへの関心が高まりつつあるにもかかわらず、既存のリソースは、実世界の建設条件のサイズ、品質、代表性に大きく変化している。 本研究では,これらの知見をオープンソースカタログであるOpenConstructionに合成し,データ駆動型手法開発を支援する。
  論文  参考訳（メタデータ） (2025-08-15T13:56:21Z)
• ForensicHub: A Unified Benchmark & Codebase for All-Domain Fake Image Detection and Localization [54.64604722756443]
  ForensicHubは、オールドメインの偽画像検出とローカライゼーションのための最初の統一ベンチマークである。 科学的なパイプラインをデータセット、変換、モデル、評価者間で交換可能なコンポーネントに分解する。 FIDLモデルアーキテクチャ、データセットの特徴、評価標準に関する8つの重要な実行可能な洞察を提供する。
  論文  参考訳（メタデータ） (2025-05-16T08:49:59Z)
• Multi-dataset synergistic in supervised learning to pre-label structural components in point clouds from shell construction scenes [0.0]
  本研究は,建築・工学・建設(AEC)における複雑な構造部品の分断の課題に対処する。 我々は、教師付きトレーニングとカスタム検証データセットを通じてベースラインを確立し、大規模な屋内データセットによるクロスドメイン推論を評価し、転送学習を利用して、最小限の新しいデータでセグメンテーション性能を最大化する。
  論文  参考訳（メタデータ） (2025-02-20T16:48:14Z)
• A Hyperspectral and RGB Dataset for Building Facade Segmentation [17.863667095026447]
  本研究は,現場の異なる建築材料を分類することを目的とした,光産業環境におけるファサード構築のためのHSIデータセットを紹介する。 このデータセットはLight Industrial Building HSI (LIB-HSI) データセットと呼ばれる。
  論文  参考訳（メタデータ） (2022-12-06T04:38:44Z)
• SODA: Site Object Detection dAtaset for Deep Learning in Construction [3.5061054566652]
  本稿では,Site Object Detection dAtaset (SODA) と呼ばれる,建設現場で収集・注釈付の大規模画像データセットを開発する。 異なる現場条件、気象条件、建設段階において複数の建設現場から2万枚以上の画像が収集され、異なる角度と視点をカバーした。 慎重なスクリーニングと処理の後、286,201個のオブジェクトを含む19,846個の画像が得られた。
  論文  参考訳（メタデータ） (2022-02-19T09:09:23Z)
• Robust Object Detection via Instance-Level Temporal Cycle Confusion [89.1027433760578]
  物体検出器の分布外一般化を改善するための補助的自己監視タスクの有効性を検討する。 最大エントロピーの原理に触発されて,新しい自己監督タスクであるインスタンスレベル時間サイクル混乱(cycconf)を導入する。 それぞれのオブジェクトに対して、タスクは、ビデオ内の隣接するフレームで最も異なるオブジェクトの提案を見つけ、自己スーパービジョンのために自分自身にサイクルバックすることです。
  論文  参考訳（メタデータ） (2021-04-16T21:35:08Z)
• Personal Fixations-Based Object Segmentation with Object Localization and Boundary Preservation [60.41628937597989]
  我々はPFOS(Personal Fixations-based Object)に着目し,過去の研究の課題に対処する。 視線オブジェクトをセグメント化するオブジェクトローカリゼーションと境界保存(OLBP)に基づく新しいネットワークを提案する。 OLBPは複数のタイプの深い監督の混合されたボトムアップおよびトップダウンの方法で整理されます。
  論文  参考訳（メタデータ） (2021-01-22T09:20:47Z)

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。