Key points are not available for this paper at this time.
La disponibilité d'ensembles de données de haute qualité est de plus en plus cruciale dans le domaine de la surveillance de la santé des structures civiles basée sur la vision par ordinateur, où les approches d'apprentissage profond ont gagné en importance. Cependant, le manque d'ensembles de données spécialisés pour de telles tâches constitue un défi significatif pour former un modèle fiable. Pour relever ce défi, un cadre, 3DGEN, est proposé pour générer rapidement des ensembles de données synthétiques 3D réalistes ciblés pour des tâches spécifiques. Le cadre est basé sur des modèles structuraux civils 3D divers, les rendant sous différents angles et fournissant des informations de profondeur et des paramètres de caméra pour former des réseaux neuronaux. En utilisant des méthodes mathématiques, telles que des solutions analytiques et/ou des simulations numériques, la déformation des structures de génie civil peut être générée, garantissant une représentation fiable de leurs formes et caractéristiques du monde réel dans les ensembles de données 3D. Pour la génération de textures, une méthode de texturation 3D générative permet aux utilisateurs de spécifier les textures souhaitées à l'aide de phrases en anglais simple. Deux expériences réussies sont menées pour (1) évaluer l'efficacité de la génération des ensembles de données 3D en utilisant deux structures distinctes, (2) former un réseau d'estimation de profondeur monoculaire pour effectuer une reconstruction de surface 3D avec l'ensemble de données généré. Notamment, 3DGEN n'est pas limité à la reconstruction de surface 3D ; il peut également être utilisé pour former des réseaux neuronaux pour diverses autres tâches. Le code et l'ensemble de données sont disponibles à l'adresse : https://github.com/YANDA-SHAO/Beam-Dataset-SE
Shao et al. (Sat,) ont étudié cette question.