アーリヤ・ディークシャ博士による論文「Insights from the Road Damage Detection Challenge Series (2018–2024)」（前田浩也博士、関本義秀教授との共著）が、権威ある学術誌 Nature Machine Intelligence（インパクトファクター：23.9）に掲載されました。
本論文は、IEEE International Conference on Big Data の一環として実施された Road Damage Detection Challenge（RDDC） シリーズの6年間にわたる取り組みを総括しています。この多国間ベンチマークイニシアチブは、道路損傷検出における人工知能（AI）研究を実際の運用に近づけることに貢献しており、協調的かつデータ駆動型の評価が、研究段階のAI技術を実用的なソリューションへと発展させる可能性を示しています。
これまでに 20か国以上 が参加し、2万件を超えるデータセットのダウンロードと2,000件以上の論文引用があり、その国際的な影響の大きさがうかがえます。全4回の開催を通じて、モデルの性能は 2018年（日本）のF1スコア65.9％ から 2024年（6か国）の86.18％ へと向上しました。最新の大会である Optimized Road Damage Detection Challenge（ORDDC 2024） では、精度と処理速度のバランスを評価する指標として 推論レイテンシー を導入し、実運用を意識したAIシステムへの重要な一歩となりました。
本論文は、インフラモニタリングにおけるAI技術の発展に向けた方法論的な知見を提供しています。また、汎化性能と実装性を高めるためのオープンで反復的なベンチマークの重要性を強調しています。特に、交通や土木インフラ分野で効率的かつ応用可能なAIモデルの開発に取り組む研究者にとって、有益な参考資料となっています。
詳細については、以下のリンクをご覧ください。
https://www.nature.com/articles/s42256-025-01132-5
The article by Dr. Deeksha Arya, “Insights from the Road Damage Detection Challenge Series (2018–2024)”, coauthored with Dr. Hiroya Maeda and Dr. Yoshihide Sekimoto, has been published in the prestigious journal, Nature Machine Intelligence (Springer Nature, Impact Factor: 23.9).
The paper presents a six-year overview of the Road Damage Detection Challenge (RDDC) series, organized as part of the IEEE International Conference on Big Data. This multi-country benchmarking initiative has helped steer AI research in road damage detection toward real-world deployment, showing how collaborative, data-driven evaluation can accelerate the transition from laboratory studies to practical applications.
With participation from over 20 countries, the RDDC has achieved more than 20,000 dataset downloads and over 2,000 citations, reflecting its wide adoption and global relevance.
Across four editions, model performance improved from 65.9% F1-score (2018, Japan) to 86.18% (2024, six countries). The latest edition, Optimized Road Damage Detection Challenge, ORDDC’2024, introduced inference latency as a key metric to balance accuracy with processing speed, marking an important step toward deployment-aware AI systems.
Overall, the article provides methodological insights for advancing AI in infrastructure monitoring and emphasizes the role of open, iterative benchmarking in improving generalization and deployment readiness. It serves as a resource for researchers developing efficient and transferable AI models, particularly for transportation and civil infrastructure applications.
Fig. 1 | Timeline of the Road Damage Detection Challenges (2018–2024).
Timeline shows dataset expansion, performance trends (F1 score) and a shift in focus, from feasibility to generalization and deployment awareness across the editions. DETR, detection transformer; GSV, Google Street View images; R-CNN, region-based convolutional neural network; SSD, single shot detector; YOLO, You Only Look Once (a CNN-based approach for object detection).
Full text is available at https://rdcu.be/eKKxs
Citation:
Arya, D., Maeda, H. & Sekimoto, Y. Insights from the Road Damage Detection Challenge Series (2018–2024). Nat Mach Intell (2025). https://doi.org/10.1038/s42256-025-01132-5
