本文介紹一個新的道路標記檢測數據集，論文收錄于 WACV2022。Ceymo數據集總共包含2887張圖片，標注了11類共4706個道路標記實例，圖片分辨率為 $1920\times 1080$。其中，對于每一個道路標記實例，作者采用了三種標注方式：多邊形、bounding box以及像素級標注。 除此之外，作者還提供了數據集評價指標和腳本程序，在數據集上作者還使用了實例分割和目標檢測兩種檢測方法進行對比，作為baseline。從實驗結果來看，實例分割的方法準確度高于目標檢測方法。

2021-11-17日補充： 論文數據集下載地址：

• 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

首先介紹數據集收集工作，作者通過車載攝像頭進行錄像采集，然后從視頻片段中提取出包含道路標記的圖片。

采集完之后，作者使用了labelme標注工具手動標注，將道路標記標注為多邊形。除了多邊形標注之外，還有bounding box和像素級標注，下圖是其中一張圖片的標注結果。

下面介紹下數據集分布情況，整個數據集劃分為訓練集（2099張圖片）和測試集（788張圖片），數據集分為11類，統計情況如表3所示；測試集劃分為6個場景，統計情況如表2所示。

下面是評價指標，作者使用了兩個評價指標，首先是 $F_1$ 評價指標，當預測區域與真值區域的 $IoU>0.3$ 則預測為真陽性。
$$F_{1?\text{?score?}}=\frac{2\times \text{?precision?}\times \text{?recall?}}{\text{?precision?}+\text{?recall?}}$$

為了計算所有類別的平均分值，作者還使用了 $Marco{F}_1$ 評價指標，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方法。作者總共使用了兩種方法（如下圖所示）。

• （a）目標檢測方法，首先將原始圖片逆投影轉換為鳥瞰圖，這有助于移除大量的背景區域，只保留地面區域。作者使用的檢測網絡為SSD，使用了兩種主干網：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轉換到原始圖片中。
• （b）實例分割方法，使用的網絡為Mark-RCNN，同樣也使用了兩種主干網：Inception-v2和ResNet-50。輸入圖片分辨率也為 $500\times 500$。

---

3.Experiments & Results

最后是實驗設置，因為在采集的數據集中存在類別不平衡問題，作者首先進行了數據增強處理。如水平翻轉、調整圖片飽和度、亮度和對比度等。訓練使用的是TensorFlow API（具體細節可看原文）。

下面是實驗結果（如下表所示），可以看到實例分割方法的準確度高于目標檢測方法的準確度。

總結

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的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。