披同行净框架和数据集

2020年2月11日

PHI-Net FrameworkIMAGEnet同行毂(φ-网或网状的PHI) 是一般的自动化框架(见图)为基于视觉的结构健康监测(SHM)和灾难后迅速损害评估。根据以往的研究和相关工作侦察,φ网表示由树状层次结构框架基于视觉的检测任务。基于这样的框架,八个基本基准任务分类提出,即:(1)场景的水平,(2)损伤状态,(3)剥落状况,(4)的材料的类型,(5)模式崩溃,(6)组件类型,(7)损伤程度,和(8)式的破坏。

根据φ-净框架,大量的结构,收集图像,预处理,标记并分裂以形成一个大型的数据集,命名为φ-净数据集,36.413包含图像的对十月2019年容器直到φ-净数据集是第一个大规模多品种多属性标记数据集的结构图像,这可能有助于引入新的人工智能(AI),机器学习(毫升)和深层学习(DL),以结构工程领域的技术。此外,八个子集标记对应现在到8个探测任务是开源的在线 //apps.www.bayern-bulgaria.com/phi-net/.

利益对等社区

自动φ网框架的概念开发 对报告2019/07 八φ网子集是开源的在线 //apps.www.bayern-bulgaria.com/phi-net/。到对等社区的好处包括:

  1. 在φ网框架,通常是通用的,基于用户的扩展需求可以进一步及其分支。层次自动化这样的表示的概念,为未来的研究提供参考。
  2. 定义愿景和开源八个子集八项任务提供对相关研究的标杆。相对大型和高品种φ网数据集使得它更贴近现实,它可以提供一个很好的参考标杆。例如,如果用户都在进行类似的检测与他们的自主开发的AI算法或模型的任务,对自己进行测试除了所收集的数据集,这些算法或模型也可以对验证φ网数据集进行测试。 
  3. 在开源配对的图像和标签可用于在一项类似的研究用户的直接毫升dl或培训。此外,这些图像还可以补充一个用户自己的数据集,用户可以根据自己的需求,例如,不同的分类任务,甚至程度上的本地化和分割任务重新标记它们。
  4. 最好型号在一些有希望实现的情况下的检测,例如,场景识别电平,损伤检测,剥落条件识别等上训练φDL-净命名IMAGEnet结构模型(SIM)的结果预计这种模式将很快在网上开发,并且对等社区可以通过识别只是结构性使用它们进行实时自动上传图片。

来自社会各界同仁的贡献

提到上述,φ网是一个通用的框架,它只包含八个目前明确任务检测,因此社会可以在对贡献,并添加更多细节,这个框架:

  1. 添加更多的分支机构,扩大视觉任务,调整任务间的关系,等等。
  2. 上传图片到新的结构φ网数据库,并标记现有的图像。捐款将所有这样的确认。旧版本的数据库工具和标签上 //apps.www.bayern-bulgaria.com/spo和他们的新版本正在开发和即将发布  //apps.www.bayern-bulgaria.com/phi-net/.

,此外,有人建议,社区可以使用φ网一个数据集作为额外的验证数据集的数据集除了本身含验证了模型综合比较基准测试结果呈现在同行 对报告2019/07.

如何访问

在φ网数据集是开源的上 //apps.www.bayern-bulgaria.com/phi-net/ ,如果用户提供所需信息,然后下载链接将被直接发送到有效的电子邮件地址。

有关更多信息,请参阅 对报告2019/07.