本文介紹一個(gè)新的道路標(biāo)記檢測(cè)數(shù)據(jù)集，論文收錄于 WACV2022。Ceymo數(shù)據(jù)集總共包含2887張圖片，標(biāo)注了11類共4706個(gè)道路標(biāo)記實(shí)例，圖片分辨率為 $1920\times 1080$。其中，對(duì)于每一個(gè)道路標(biāo)記實(shí)例，作者采用了三種標(biāo)注方式：多邊形、bounding box以及像素級(jí)標(biāo)注。 除此之外，作者還提供了數(shù)據(jù)集評(píng)價(jià)指標(biāo)和腳本程序，在數(shù)據(jù)集上作者還使用了實(shí)例分割和目標(biāo)檢測(cè)兩種檢測(cè)方法進(jìn)行對(duì)比，作為baseline。從實(shí)驗(yàn)結(jié)果來看，實(shí)例分割的方法準(zhǔn)確度高于目標(biāo)檢測(cè)方法。

2021-11-17日補(bǔ)充： 論文數(shù)據(jù)集下載地址：

• Train set - https://drive.google.com/file/d/1-TDEfGXtEQ4s037M_ynmV6aiOfNp2NZv/view?usp=sharing
• Test set - https://drive.google.com/file/d/1YhWld3kxR5Ahz4Q-hy61UKI0KN_so9fa/view?usp=sharing

論文鏈接：https://arxiv.org/abs/2110.11867

---

1.Benchmark Dataset

首先介紹數(shù)據(jù)集收集工作，作者通過車載攝像頭進(jìn)行錄像采集，然后從視頻片段中提取出包含道路標(biāo)記的圖片。

采集完之后，作者使用了labelme標(biāo)注工具手動(dòng)標(biāo)注，將道路標(biāo)記標(biāo)注為多邊形。除了多邊形標(biāo)注之外，還有bounding box和像素級(jí)標(biāo)注，下圖是其中一張圖片的標(biāo)注結(jié)果。

下面介紹下數(shù)據(jù)集分布情況，整個(gè)數(shù)據(jù)集劃分為訓(xùn)練集（2099張圖片）和測(cè)試集（788張圖片），數(shù)據(jù)集分為11類，統(tǒng)計(jì)情況如表3所示；測(cè)試集劃分為6個(gè)場(chǎng)景，統(tǒng)計(jì)情況如表2所示。

下面是評(píng)價(jià)指標(biāo)，作者使用了兩個(gè)評(píng)價(jià)指標(biāo)，首先是 $F_1$ 評(píng)價(jià)指標(biāo)，當(dāng)預(yù)測(cè)區(qū)域與真值區(qū)域的 $IoU>0.3$ 則預(yù)測(cè)為真陽性。
$$F_{1?\text{?score?}}=\frac{2\times \text{?precision?}\times \text{?recall?}}{\text{?precision?}+\text{?recall?}}$$

為了計(jì)算所有類別的平均分值，作者還使用了 $Marco{F}_1$ 評(píng)價(jià)指標(biāo)，公式為：
$$\text{?Macro-?}{F}_1?\text{?score?}=\frac{1}{C}\sum _{i=1}^C{F}_1{\text{-score?}}_i$$

---

2.Methodology

下面介紹論文使用的檢測(cè)方法。作者總共使用了兩種方法（如下圖所示）。

• （a）目標(biāo)檢測(cè)方法，首先將原始圖片逆投影轉(zhuǎn)換為鳥瞰圖，這有助于移除大量的背景區(qū)域，只保留地面區(qū)域。作者使用的檢測(cè)網(wǎng)絡(luò)為SSD，使用了兩種主干網(wǎng)：MobileNet-v1和Inception-v2。所有模型輸入圖片分辨率為 $500\times 500$。最后再將輸出的bbox轉(zhuǎn)換到原始圖片中。
• （b）實(shí)例分割方法，使用的網(wǎng)絡(luò)為Mark-RCNN，同樣也使用了兩種主干網(wǎng)：Inception-v2和ResNet-50。輸入圖片分辨率也為 $500\times 500$。

---

3.Experiments & Results

最后是實(shí)驗(yàn)設(shè)置，因?yàn)樵诓杉臄?shù)據(jù)集中存在類別不平衡問題，作者首先進(jìn)行了數(shù)據(jù)增強(qiáng)處理。如水平翻轉(zhuǎn)、調(diào)整圖片飽和度、亮度和對(duì)比度等。訓(xùn)練使用的是TensorFlow API（具體細(xì)節(jié)可看原文）。

下面是實(shí)驗(yàn)結(jié)果（如下表所示），可以看到實(shí)例分割方法的準(zhǔn)確度高于目標(biāo)檢測(cè)方法的準(zhǔn)確度。

總結(jié)

以上是生活随笔為你收集整理的详解道路标记数据集 CeyMo: See More on Roads -- A Novel Benchmark Dataset for Road Marking Detection的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。