Datasets

Los datasets para cada prueba, se encuentran en la siguiente carpeta compartida: https://drive.google.com/drive/folders/10L0zuw2qPQKp_FU6t-bh8L8G33cop2El?usp=sharing

Para la primera prueba, el formato de los datasets son bags de ROS, mientras que para la segunda se entregarán dos conjuntos de datos, uno para entrenamiento y otro para auto-evaluación (formados por imágenes .jpg con un fichero .txt asociado a cada una de ellas).

Para resolver la Prueba 1, se proporcionan tres de bags de ROS con vuelos de dificultad incremental. Los bags contienen los tópicos que se muestran en la siguiente tabla, y junto a ella se muestra la trayectoria realizada en uno de los datasets aportados para la prueba.

Es importante destacar que, para cada sensor, es necesario realizar las transformaciones adecuadas para expresar la información en el sistema de referencia del cuerpo de la aeronave. Para ello, se proporcionan los siguientes parámetros extrínsecos de cada sensor:

El dataset que se aporta para la Prueba 2 proviene de la plataforma Kaggle, pero se ha realizado alguna modificación. Está formado por 11.298 imágenes, de las cuales 9.844 contienen grietas y las restantes no. Estas imágenes tienen un tamaño de 448x448 px y el formato de las etiquetas es el usado por YOLO:

Por cada imagen .jpg se tendrá un fichero .txt asociado que tiene el siguiente formato:

<object-class> <x> <y> <width> <height>

donde:

• <object-class> - Número entero del objeto en el rango 0 a (clases - 1)

• <x> <y> <width> <height> - Números flotantes con los valores relativos al ancho y alto de la imagen, dentro del rango: (0.0 to 1.0].

  • Los valores se normalizarán del siguiente modo: <x> = <x absoluto> / <ancho imagen> o <alto> = <altura absoluta / <alto imagen>.

  • Es importante destacar que las coordenadas <x> e <y> están en el centro del bounding box (no en la esquina superior izquierda.

Enlace original del dataset: https://www.kaggle.com/lakshaymiddha/crack-segmentation-dataset

A continuación, se muestran varias imágenes de ejemplo de los datasets de entrenamiento y validación aportados.

Por último, se muestran una serie de ejemplos de verdadero/falso positivo y verdadero/falso negativo, ya que es la métrica que se empleará para la evaluación de esta prueba. Se asumirá una detección cómo verdadero/falso positivo o verdadero/falso negativo cuando el IOU entre la detección y el ground-truth del dataset de validación supere cierto umbral.