RDD2022

arXiv2022-09-18 更新2024-06-21 收录

下载链接：

https://github.com/sekilab/RoadDamageDetector

下载链接

链接失效反馈

资源简介：

RDD2022是一个多国图像数据集，用于自动道路损伤检测，由印度理工学院罗凯里分校交通系统中心等机构创建。该数据集包含来自六个国家的47,420张道路图像，标注了超过55,000个道路损伤实例。数据集通过智能手机和高分辨率相机等设备采集，旨在通过深度学习方法自动检测和分类道路损伤。RDD2022数据集的应用领域包括道路状况的自动监测和计算机视觉算法的性能基准测试，特别关注于解决多国道路损伤检测的问题。

RDD2022 is a multinational image dataset for automatic road damage detection, created by the Center for Transportation Systems of Indian Institute of Technology Roorkee and other institutions. The dataset contains 47,420 road images from six countries, with over 55,000 annotated road damage instances. Collected via devices such as smartphones and high-resolution cameras, this dataset aims to automatically detect and classify road damages using deep learning methods. The application scenarios of the RDD2022 dataset include automatic road condition monitoring and performance benchmarking of computer vision algorithms, with a particular focus on addressing the challenge of multinational road damage detection.

提供机构：

印度理工学院罗凯里分校交通系统中心

创建时间：

2022-09-18

AI搜集汇总

数据集介绍

构建方式

RDD2022数据集的构建是通过图像采集和损伤标注两个步骤完成的。图像采集使用不同方法针对不同国家进行，如智能手机、高清相机和谷歌街景图像等。损伤标注则采用LabelImg工具和计算机视觉标注工具CVAT进行。

特点

RDD2022数据集具有以下特点：包含来自六个国家的47,420张道路图像，涵盖了超过55,000个道路损伤实例；包含四种类型的道路损伤，即纵向裂缝、横向裂缝、鳄鱼裂缝和坑洞；数据集分为训练集和测试集，训练集带有注释，测试集用于模型测试。

使用方法

使用RDD2022数据集的方法包括：直接使用，如用于智能手机-based自动道路损伤检测、开发新的深度卷积神经网络架构、训练和验证自动识别道路损伤的算法等；以及带有增强的使用，如添加新图像或注释以扩展数据集的应用范围。

背景与挑战

背景概述

RDD2022数据集是一个跨国界的道路损害检测数据集，它汇集了来自六个国家的47020张道路图像，包括日本、印度、捷克共和国、挪威、美国和中国。该数据集由Deeksha Arya等人于2022年创建，旨在为深度学习模型提供支持，以实现不同国家道路损害的自动检测和分类。RDD2022是在RDD2020的基础上扩展而来的，增加了新的图像和数据标注，以提升模型的泛化能力。

当前挑战

数据集构建过程中的挑战主要包括：1)跨国家数据的一致性处理，因为不同国家的道路损害标准存在差异；2)数据采集的多样性，需要覆盖不同气候和地理条件下的道路状况；3)数据标注的准确性，确保模型训练的可靠性；4)模型的泛化能力，使模型能够适应不同国家和地区的道路条件。

常用场景

经典使用场景

RDD2022数据集被广泛应用于自动道路损伤检测领域，其经典使用场景包括训练深度学习模型以识别和分类道路损伤，以及参与道路损伤检测挑战赛以促进技术创新。

衍生相关工作

RDD2022数据集衍生出的相关工作包括举办全球道路损伤检测挑战赛，以及研究人员基于该数据集发表的关于道路损伤检测和分类的论文。

数据集最近研究