SHREC 2022: pothole and crack detection in the road pavement using images and RGB-D data

要約

本論文では、道路舗装のポットホールとクラックの検出に関するSHREC 2022トラックに評価のために提出された方法について説明する。路面のセマンティックセグメンテーションのための合計7つの異なる実行が比較され、6つの参加者からのものとベースラインのメソッドがある。すべての手法はDeep Learning技術を利用し、その性能は同じ環境（すなわち、単一のJupyterノートブック）を使用してテストされています。3836のセマンティックセグメンテーション画像/マスクのペアと、最新の深度カメラで収集した797のRGB-Dビデオクリップからなるトレーニングセットが参加者に提供された。次に、検証セットの496組の画像／マスクペア、テストセットの504組、そして最後に8つのビデオクリップに対して、手法が評価される。結果の分析は、画像セグメンテーションの定量的な指標とビデオクリップの定性的な分析に基づいている。参加者と結果は、このシナリオが非常に興味深いものであること、そしてこの文脈ではRGB-Dデータの利用がまだ困難であることを示しています。

要約(オリジナル)

This paper describes the methods submitted for evaluation to the SHREC 2022 track on pothole and crack detection in the road pavement. A total of 7 different runs for the semantic segmentation of the road surface are compared, 6 from the participants plus a baseline method. All methods exploit Deep Learning techniques and their performance is tested using the same environment (i.e.: a single Jupyter notebook). A training set, composed of 3836 semantic segmentation image/mask pairs and 797 RGB-D video clips collected with the latest depth cameras was made available to the participants. The methods are then evaluated on the 496 image/mask pairs in the validation set, on the 504 pairs in the test set and finally on 8 video clips. The analysis of the results is based on quantitative metrics for image segmentation and qualitative analysis of the video clips. The participation and the results show that the scenario is of great interest and that the use of RGB-D data is still challenging in this context.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL