Tam Sahne Semantik Bölümleme
Shaip, otonom sürüş, akıllı şehirler ve çevresel yapay zeka için üretim kalitesinde bir veri seti olarak oluşturulan, yollardan gökyüzüne, yol işaretlerinden ince direklere kadar her nesneyi ve yüzeyi etiketleyerek, tüm sokak sahnelerinde piksel düzeyinde anlamsal segmentasyonu nasıl gerçekleştirdi?
Projeye Genel Bakış
Sahne algılama, otonom sürüşün, akıllı şehir planlamasının ve çevresel izleme yapay zekasının temelini oluştururken, müşteri, yalnızca sınırlayıcı kutuları veya ana nesneleri değil, görüntüdeki her pikseli etiketleyebilen kapsamlı bir segmentasyon hattına ihtiyaç duyuyordu.
Shaip, çokgen ve anlamsal maske araçlarını, kapsamlı sınıf kapsamını, kenar hassasiyetinde sınır işlemeyi ve iki kademeli kalite kontrolünü kapsayan uçtan uca piksel düzeyinde açıklama işlem hattını oluşturdu ve böylece tam sahne anlama yapay zekası için modele hazır veri kümeleri üretti.
Anahtar İstatistikler
Piksel Doğruluğu
99%
Kalite Güvence Seviyeleri
2 Katmanlı
Kapsam
Her Piksel
Sınıf Kümesi
Kapsamlı
Meydan Okumalar
- Etiketleme her piksel Resimde — etiketlenmemiş bölgeye izin verilmez.
- İzleme düzensiz sınırlar bitki örtüsü, su yüzeyleri ve yol çatlakları
- ayırt edici yol yüzeylerindeki yol işaretleri yıpranmış veya solmuş durumda
- ayırma sisten gökyüzü veya bulutlu arka planları hassasiyetle
- Bakımı temiz sınıf sınırları yol-kaldırım, bitki örtüsü-toprak, su-yer geçişlerinde
Çözüm
Kapsamlı Sınıf Seti
Bu işaretleme, yol yüzeyleri, gökyüzü, bitki örtüsü, toprak ve arazi, su kütleleri, direkler ve işaret levhaları, yol işaretleri (şerit çizgileri, oklar, yaya geçitleri), araçlar (otomobiller, kamyonlar, otobüsler, motosikletler, bisikletler) ve binalar ile insan yapımı yapılar dahil olmak üzere sahne kategorilerinin tamamını kapsıyordu. Her piksel, tanımlanan sınıflardan birine atandı.
Poligon ve Semantik Maskeleme Araçları
Etiketleyiciler, piksel hassasiyetinde kavisli, düzensiz ve yoğun nesne sınırlarını işlemek için özel çokgen araçları ve anlamsal maske fırçaları kullandılar. Araç seçimi, nesne şeklinin karmaşıklığına göre yapıldı; bitki örtüsü gibi organik şekiller için maskeler, araçlar gibi yapılandırılmış nesneler için çokgenler kullanıldı.
Kenar Hassasiyeti Kılavuzları
Bitişik sınıflar arasında, özellikle yol-kaldırım, bitki örtüsü-toprak ve su-yer sınırları gibi geçiş bölgelerinde, net sınırlar sağlamak için katı sınıf tanımları ve kenar hassasiyeti yönergeleri izlenmiştir. Bu hassasiyet, aşağı akış yönündeki sürülebilir alan ve engel algılama modellerini güvenilir kılan şeydir.
İnce Yapı İşleme
Direkler, trafik işaretleri ve yol levhaları gibi ince yapılar, geniş açılı görüntülerde yalnızca birkaç piksel yer kaplar ancak sonraki aşama yapay zeka için kritik öneme sahiptir. Etiketleyiciler, daha geniş sahne sınır doğruluğundan ödün vermeden bu ince ayrıntıları yakalamak için özel yönergeleri izlediler.
İki Aşamalı Kalite Kontrolü ve %99 Piksel Doğruluğu
Bölümlere ayrılmış her görüntü, yorumlayıcılar arası tutarlılık kontrolleri, kenar hassasiyeti incelemeleri ve sınıf sınırı doğrulaması içeren titiz bir iki aşamalı kalite güvence sürecinden geçmiştir. Teslim edilmeden önce her veri seti için minimum %99 piksel düzeyinde doğruluk şartı sağlanmıştır.
Proje kapsamı
| Veri Kümesi Türü | Kapsam | Ek Açıklama Araçları | Sınıf Kümesi | QA | doğruluk |
|---|---|---|---|---|---|
| Tam sahne anlamsal bölümlendirmesi | Her piksel etiketlendi | Çokgenler + anlamsal maskeler | Kapsamlı sahne dersleri | 2 Aşamalı Kalite Kontrol | %99 piksel düzeyinde |
Çıktıları
- Kurulmuş bir piksel düzeyinde sahne anlama işlem hattı AV ve akıllı şehir yapay zekası için
- Standardize kapsamlı sınıf kapsamı her piksel etiketlenmiş
- teslim temiz sınıf sınırı geçişleri karmaşık bölgelerde
- muhafaza %99 piksel düzeyinde doğruluk iki aşamalı kalite güvencesi yoluyla
- Müşterinin etkinleştirilmesi araç trafiğine açık alan, kentsel planlama, çevre izleme ve inşaat takibi AI
Genel olarak, Shaip, piksel düzeyinde sahne anlama gereksinimini, otonom sürüşü, akıllı şehir analizini, çevre izlemeyi ve inşaat sahası ilerleme yapay zekasını tam sahne etiketleme hassasiyetiyle destekleyebilen, yapılandırılmış, üretime hazır bir segmentasyon hattına dönüştürmeye yardımcı oldu.
Shaip, öznel ses kalitesi değerlendirmemizi ölçülebilir bir iyileştirme programına dönüştürmemize yardımcı oldu. Değerlendirme çerçeveleri, neyi düzeltmemiz, nerede iyileştirme yapmamız ve üretime güvenle nasıl yaklaşmamız gerektiği konusunda bize net sinyaller verdi.
