报告新对等体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):结构图像的大规模多属性基准数据集“,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,数据驱动的结构健康监测(SHM)和快速损害评估自然灾害极大的兴趣,已经成为土木工程研究之后。 ESTA报告进入深度学习(DL)方法及其应用到结构工程,:如灾后侦察结构和基于视觉的SHM。使用基于视觉SHM DL是土木工程一个相对较新的研究方向。研究人员开始概念应用到这些问题,结构工程,需要解决两个关键问题依然存在:(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)缺乏基准数据集随着数据的大孔标记的量的。

解决第一个问题,自动化和分层framework've提出:皮皮网或 Ø用于图像净-net对等毂。 ESTA框架基于电流检测任务的领域知识和过去的经验侦察家道八种基本的标杆。关注的第二个领域是基于 Ø-net框架;大量的图像的收集结构,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ESTA时,该数据集包含36.413图像与多个标签。

ESTA报告此处进入深三个卷积神经网络(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。在多种因素考虑的下一个公平的比较研究的超参数设置和训练方法,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。这些结果表明在基于视觉的SHM使用DL的巨大潜力。

终于,第一个基于图像的结构工程挑战是由太平洋地震工程研究(对)中心在2018年的挑战ESTA秋季举行,作为指定 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参与,从身边来自世界各地的研究人员。