论文标题：Sewer-ML: A Multi-Label Sewer Defect Classification Dataset and Benchmark 论文主页：https://vap.aau.dk/sewer-ml/ 论文链接：https://arxiv.org/abs/2103.10619 作者单位：奥尔堡大学(AAU)

Sewer-ML数据集包含130万张图像！包含17类标注的缺陷类别，还提出了一套基准算法(含12种方法)和一种用于评估性能的新颖指标：F2CIW，数据集和代码即将开源！

令人惊讶的是，污水处理基础设施是现代社会中最昂贵的基础设施之一。手动检查下水道，以确定其是否有缺陷。但是，此过程受合格检查员数量和检查管道所用时间的限制。为此，在这项工作中，我们为基于图像的下水道缺陷分类提供了一个名为Sewer-ML的大型新颖且可公开获得的多标签分类数据集。 Sewer-ML数据集包含130万张图像，这些图像由来自三个不同公用事业公司的专业下水道检查员在九年中标注。与数据集一起，我们还提出了一种基准算法和一种用于评估性能的新颖指标。基准算法是评估12种最新算法的结果，其中有6种来自下水道缺陷分类领域，而6种来自多标签分类领域，并且结合了性能最佳的算法。新指标是类别重要性加权F2分数F2CIW，它反映了每个类别的经济影响，并与常规管道F1分数F1Normal一起使用。基准算法的F2CIW得分为55.11％，F1Normal得分为90.94％，为Sewer-ML数据集留有足够的改进空间。

内容中包含的图片若涉及版权问题，请及时与我们联系删除