Fullständig scen semantisk segmentering
Hur Shaip levererade semantisk segmentering på pixelnivå över hela gatuscener – märkning av varje objekt och yta från vägar och himmel till vägmarkeringar och fina stolpar – byggt som en produktionsklassad datauppsättning för autonom körning, smarta städer och miljömässig AI.
Projektöversikt
I takt med att förståelse av miljöer blir grunden för autonom körning, smart stadsplanering och AI för miljöövervakning, behövde klienten en omfattande segmenteringspipeline som kunde märka varje pixel i bilden – inte bara avgränsande rutor eller större objekt.
Shaip byggde en heltäckande annoteringspipelin på pixelnivå som täckte verktyg för polygon- och semantisk maskhantering, omfattande klasstäckning, hantering av kantprecision och tvånivås kvalitetssäkring – och producerade modellfärdiga datamängder för fullständig scenförståelse av AI.
Nyckelstatistik
Pixel Noggrannhet
99%
QA-nivåer
2-Tier
Rapportering
Varje Pixel
Klassuppsättning
Omfattande
Utmaningar
- märkning varje pixel i bilden — ingen omärkt region tillåten
- spåra oregelbundna gränser av vegetationstak, vattenytor och sprickor i vägen
- Särskiljande vägmarkeringar från vägytor i slitet eller blekt skick
- Separerande himmel från dimma eller molniga bakgrunder med precision
- upprätthålla rena klassgränser vid övergångar mellan väg och trottoar, vegetation och jord, vatten och mark
Lösning
Omfattande klassuppsättning
Annoteringen omfattade en komplett uppsättning scenkategorier – vägytor, himmel, vegetation, jord och terräng, vattendrag, stolpar och skyltstrukturer, vägmarkeringar (körfält, pilar, övergångsställen), fordon (bilar, lastbilar, bussar, motorcyklar, cyklar) samt byggnader och konstgjorda strukturer. Varje pixel tilldelades en av de definierade klasserna.
Polygon- och semantiska maskverktyg
Annotatörerna använde specialiserade polygonverktyg och semantiska maskpenslar för att hantera böjda, oregelbundna och tätt packade objektgränser med pixelperfekt noggrannhet. Verktygsvalet matchades med objektformens komplexitet – masker för organiska former som vegetation, polygoner för strukturerade objekt som fordon.
Riktlinjer för kantprecision
Strikta klassdefinitioner och riktlinjer för kantprecision följdes för att säkerställa tydliga gränser mellan angränsande klasser, särskilt i övergångszoner som väg-trottoar, vegetation-jord och vatten-mark. Denna precision är det som gör nedströms körbara ytor och hinderdetekteringsmodeller tillförlitliga.
Hantering av finstruktur
Fina strukturer som stolpar, trafikskyltar och vägvisare upptar bara några få pixlar i vidvinkelbilder men är avgörande för AI nedströms. Annotatörer följde särskilda riktlinjer för att fånga dessa fina detaljer utan att offra den bredare scengränsnoggrannheten.
Tvåstegs QA och 99 % pixelnoggrannhet
Varje segmenterad bild genomgick en rigorös tvånivås kvalitetssäkringsprocess med konsistenskontroller mellan annotatorer, granskningar av kantprecision och validering av klassgränser. En minsta pixelnivånoggrannhet på 99 % kontrollerade varje dataset före leverans.
Projektets omfattning
| Dataset typ | Rapportering | Kommentarverktyg | Klassuppsättning | QA | Noggrannhet |
|---|---|---|---|---|---|
| Fullständig scensemantisk segmentering | Varje pixel märkt | Polygoner + semantiska masker | Omfattande scenklasser | 2-nivås kvalitetskontroll | 99 % pixelnivå |
Utkomster
- Etablerade en pipeline för scenförståelse på pixelnivå för AV och smarta städers AI
- standardiserad omfattande klassbevakning med varje pixel märkt
- Levererat rena övergångar mellan klassgränser i komplexa zoner
- Bibehållen 99 % pixelnivånoggrannhet via tvåstegs kvalitetssäkring
- Aktiverade klientens körbart område, stadsplanering, miljöövervakning och byggspårning AI
Sammantaget hjälpte Shaip till att omvandla ett krav på scenförståelse på pixelnivå till en strukturerad, produktionsklar segmenteringspipeline – en som kan stödja autonom körning, smart stadsanalys, miljöövervakning och AI för byggarbetsplatsens framsteg med fullständig precision i scenmärkning.
Shaip hjälpte oss att omvandla subjektiv ljudkvalitet till ett mätbart förbättringsprogram. Deras utvärderingsramverk gav oss tydliga signaler om vad som behövde åtgärdas, var det behövde förbättras och hur vi med tillförsikt kunde närma oss produktionen.
