新的对等报告2019/07:“同行毂imagenet(O-净值):结构图像的大规模多属性基准数据集”

2020年1月10日

对刚刚发布的报告没有。 2019/07:“同行毂imagenet(Ø-net):“结构图像的大型多属性基准数据集它是由高余庆和Khalid米mosalam撰写。

访问等发布页面下载文档的自由彩色PDF.

抽象

在这个数据爆炸的时代,自然灾害后的数据驱动的结构健康监测(SHM)和快速损失评估已成为土木工程研究的极大兴趣。这份报告介绍深学习(DL)方法及其应用到结构工程,如灾后结构侦察和基于视觉的SHM。在基于视觉的SHM使用DL是土木工程一个相对较新的研究方向。研究人员开始将这些概念应用到结构工程的关注,两个关键问题有待解决:(1)缺乏基于领域知识的统一的自动化检测原理或框架;和(2)缺乏基准数据集的具有良好标记的大量数据。

解决第一个问题,自动化和分级框架已经提出:皮皮网或 Ø-net为同行毂图像净。该框架包括基于当前领域的知识和过去的经验侦察八项基本指标的检测任务。关注的第二个领域是基于 Ø-net框架;收集了大量的结构的图像,预处理中,并标记网上形成一个开放源码的大型多属性的图像数据集,即 Ø-net数据集。在写这篇文章的时候,这个数据集包含36413张图像与多个标签。

这个报告介绍这里为三个深卷积神经网络(CNN):VGG-16,VGG-19,和RESNET-50。架构设计和网络属性,等等,被描述和讨论。对于基准目的,一系列的计算机实验进行的。多种因素在比较研究下的超参数和训练收费设定考虑接近,即,使用仿射数据扩张(ADA)和转让学习(TL)。所有的实验结果报告和讨论,其中由其他研究人员开发新的算法,为今后的研究提供基准和参考价值。这些结果揭示了基于视觉的SHM使用DL的巨大潜力。

终于,在结构工程中第一个基于图像的挑战是2018年的这一挑战在秋季太平洋地震工程研究(对)中心举行,指定为 Ø-net挑战,之前的开放采购担任预事件 Ø-net数据集,吸引了全世界的关注和来自世界各地的研究人员参与。