Phân đoạn ngữ nghĩa toàn cảnh
Cách Shaip thực hiện phân đoạn ngữ nghĩa cấp độ pixel trên toàn bộ khung cảnh đường phố — gắn nhãn cho mọi đối tượng và bề mặt từ đường sá và bầu trời đến vạch kẻ đường và cột đèn nhỏ — được xây dựng thành bộ dữ liệu chất lượng cao dành cho xe tự lái, thành phố thông minh và trí tuệ nhân tạo môi trường.
Tổng Quan Dự Án
Khi khả năng hiểu bối cảnh trở thành nền tảng của lái xe tự động, quy hoạch thành phố thông minh và trí tuệ nhân tạo giám sát môi trường, khách hàng cần một quy trình phân đoạn toàn diện có khả năng gắn nhãn cho mọi pixel trong hình ảnh — chứ không chỉ các khung bao quanh hoặc các đối tượng chính.
Shaip đã xây dựng quy trình chú thích cấp độ pixel từ đầu đến cuối, bao gồm công cụ mặt nạ đa giác và ngữ nghĩa, phạm vi bao phủ lớp toàn diện, xử lý ranh giới chính xác cạnh và kiểm tra chất lượng hai cấp — tạo ra các tập dữ liệu sẵn sàng cho mô hình AI hiểu toàn cảnh.
Số liệu thống kê chính
Độ chính xác pixel
99%
Mức độ QA
2-Cấp
Toàn Diện
Mọi Pixel
Bộ lớp
Bảo Hiểm
Những thách thức
- Dán nhãn mọi pixel trong hình ảnh — không có vùng nào không được dán nhãn được cho phép
- Truy tìm ranh giới không đều của tán cây, mặt nước và các vết nứt trên đường.
- Phân biệt các vạch kẻ đường từ mặt đường trong tình trạng cũ hoặc bạc màu
- Tách bầu trời từ sương mù hoặc nền trời nhiều mây với độ chính xác cao
- Duy trì ranh giới lớp học sạch sẽ tại các điểm chuyển tiếp từ đường sang vỉa hè, từ thảm thực vật sang đất, từ nước sang mặt đất.
Dung dịch
Bộ tài liệu học tập toàn diện
Việc chú thích bao gồm đầy đủ các loại hình ảnh trong khung cảnh — mặt đường, bầu trời, thảm thực vật, đất và địa hình, các vùng nước, cột điện và biển báo, vạch kẻ đường (vạch phân làn, mũi tên, vạch kẻ đường dành cho người đi bộ), phương tiện giao thông (ô tô, xe tải, xe buýt, xe máy, xe đạp), và các tòa nhà và công trình nhân tạo. Mỗi pixel được gán vào một trong các lớp đã được định nghĩa.
Công cụ mặt nạ đa giác và ngữ nghĩa
Các chuyên gia chú thích đã sử dụng các công cụ đa giác chuyên dụng và cọ mặt nạ ngữ nghĩa để xử lý các đường viền đối tượng cong, không đều và dày đặc với độ chính xác từng pixel. Việc lựa chọn công cụ phù hợp với độ phức tạp của hình dạng đối tượng — mặt nạ cho các hình dạng hữu cơ như thực vật, đa giác cho các đối tượng có cấu trúc như phương tiện giao thông.
Hướng dẫn độ chính xác cạnh
Các định nghĩa lớp nghiêm ngặt và hướng dẫn về độ chính xác cạnh đã được tuân thủ để đảm bảo ranh giới rõ ràng giữa các lớp liền kề, đặc biệt là tại các vùng chuyển tiếp như ranh giới giữa đường và vỉa hè, thảm thực vật và đất, và nước và mặt đất. Độ chính xác này là điều làm cho các mô hình phát hiện khu vực có thể lái xe và chướng ngại vật ở hạ lưu trở nên đáng tin cậy.
Xử lý cấu trúc tinh tế
Các cấu trúc nhỏ như cột điện, biển báo giao thông và biển chỉ dẫn chỉ chiếm vài pixel trong ảnh góc rộng nhưng lại rất quan trọng đối với trí tuệ nhân tạo (AI) xử lý sau này. Người chú thích ảnh đã tuân theo các hướng dẫn cụ thể để thu thập những chi tiết nhỏ này mà không làm giảm độ chính xác của ranh giới tổng thể khung cảnh.
Kiểm tra chất lượng hai cấp độ & Độ chính xác pixel 99%
Mỗi hình ảnh được phân đoạn đều trải qua quy trình kiểm soát chất lượng nghiêm ngặt hai cấp độ với các bước kiểm tra tính nhất quán giữa các người chú thích, đánh giá độ chính xác cạnh và xác thực ranh giới lớp. Độ chính xác tối thiểu ở cấp độ pixel là 99% là điều kiện tiên quyết để mọi bộ dữ liệu được chấp nhận trước khi bàn giao.
Phạm vi dự án
| Loại tập dữ liệu | Toàn Diện | Công cụ chú thích | Bộ lớp | QA | tính chính xác |
|---|---|---|---|---|---|
| Phân đoạn ngữ nghĩa toàn cảnh | Mỗi pixel được dán nhãn. | Đa giác + mặt nạ ngữ nghĩa | Các lớp học diễn xuất toàn diện | Kiểm soát chất lượng 2 cấp | Độ phân giải 99% ở cấp độ pixel |
Kết quả
- Đã thành lập một quy trình hiểu cảnh ở cấp độ pixel cho xe tự lái và trí tuệ nhân tạo thành phố thông minh
- Tiêu chuẩn hóa phạm vi bao quát lớp học toàn diện với mỗi pixel được dán nhãn
- Giao chuyển đổi ranh giới lớp sạch sẽ tại các khu vực phức tạp
- Duy trì Độ chính xác ở cấp độ pixel đạt 99%. thông qua kiểm thử chất lượng hai cấp
- Đã kích hoạt cho khách hàng khu vực có thể lái xe, quy hoạch đô thị, giám sát môi trường và theo dõi xây dựng AI
Nhìn chung, Shaip đã giúp chuyển đổi yêu cầu hiểu cảnh ở cấp độ pixel thành một quy trình phân đoạn có cấu trúc, sẵn sàng cho sản xuất — một quy trình có khả năng hỗ trợ lái xe tự động, phân tích thành phố thông minh, giám sát môi trường và trí tuệ nhân tạo theo dõi tiến độ công trường xây dựng với độ chính xác gắn nhãn toàn cảnh.
Shaip đã giúp chúng tôi biến chất lượng âm thanh chủ quan thành một chương trình cải thiện có thể đo lường được. Khung đánh giá của họ đã cung cấp cho chúng tôi những tín hiệu rõ ràng về những gì cần sửa, những gì cần cải thiện và làm thế nào để tiến gần hơn đến giai đoạn sản xuất một cách tự tin.
