基于持续学习的结构损伤识别框架

新型混凝土缺陷数据集CODEBRIM用于五种常见混凝土缺陷的多目标分类。

研究比较了两种基于强化学习的元学习方法，结果显示其在参数和准确性上优于传统神经网络。

开发了一种循环一致的Wasserstein深度卷积GAN模型，用于预测性损伤检测，能够准确生成受损和未受损响应。

提出了一种逻辑卷积神经回归器，通过结合卷积神经网络和真实逻辑检测悬臂梁中的损伤，证明了该方法的优越性。

基于ACF-Net的自动化结构状态评估方法在元素解析和腐蚀分割方面表现优异，获得高性能结果。

开发的语义分割网络用于高效解析高分辨率视觉检测图像，具有广泛的应用价值。

提供了高度多样的钢筋混凝土缺陷数据集“dacl1k”，并测试现有模型的准确性。

引入创新的卷积神经网络算法，通过时间序列数据提取深度空间特征，验证了其在结构损伤检测中的有效性。

采用多种深度学习模型进行表面裂缝检测的精细调整和比较。

使用全自动化的机械类自动编码器实现结构损伤的自动检测和定位，显著降低人工干预和检测成本。

综述了深度学习在地震工程中的应用，探讨了其机遇和挑战。