การแบ่งส่วนเชิงความหมายของฉากทั้งหมด
Shaip นำเสนอการแบ่งส่วนความหมายระดับพิกเซลในฉากถนนทั้งหมด โดยติดป้ายกำกับวัตถุและพื้นผิวทุกชิ้น ตั้งแต่ถนนและท้องฟ้า ไปจนถึงเครื่องหมายบนถนนและเสาขนาดเล็ก สร้างเป็นชุดข้อมูลคุณภาพระดับใช้งานจริงสำหรับการขับขี่อัตโนมัติ เมืองอัจฉริยะ และ AI ด้านสิ่งแวดล้อม
ภาพรวมโครงการ
เนื่องจากการทำความเข้าใจฉากกลายเป็นรากฐานของการขับขี่อัตโนมัติ การวางแผนเมืองอัจฉริยะ และ AI สำหรับการตรวจสอบสิ่งแวดล้อม ลูกค้าจึงต้องการไปป์ไลน์การแบ่งส่วนภาพที่ครอบคลุม ซึ่งสามารถติดป้ายกำกับทุกพิกเซลในภาพได้ ไม่ใช่แค่กรอบสี่เหลี่ยมหรือวัตถุหลักเท่านั้น
Shaip ได้สร้างไปป์ไลน์การระบุรายละเอียดระดับพิกเซลแบบครบวงจร ซึ่งครอบคลุมเครื่องมือสำหรับรูปหลายเหลี่ยมและมาสก์เชิงความหมาย การครอบคลุมคลาสอย่างครอบคลุม การจัดการขอบเขตที่มีความแม่นยำสูง และการตรวจสอบคุณภาพสองระดับ เพื่อสร้างชุดข้อมูลที่พร้อมใช้งานสำหรับโมเดล AI เพื่อทำความเข้าใจฉากทั้งหมด
สถิติสำคัญ
ความแม่นยำของพิกเซล
99%
ระดับการประกันคุณภาพ
2 ชั้น
คุ้มครอง
ทุกพิกเซล
ชุดคลาส
ครอบคลุม
ชาเลนจ์ (Challenge)
- การติดฉลาก ทุกพิกเซล ในภาพ — ไม่อนุญาตให้มีพื้นที่ใด ๆ ที่ไม่มีป้ายกำกับ
- การติดตาม ขอบเขตที่ไม่สม่ำเสมอ ของพืชพรรณปกคลุมผิวน้ำ และรอยแตกบนถนน
- ที่ทำให้เด่น เครื่องหมายบนถนนจากพื้นผิวถนน ในสภาพที่สึกหรอหรือสีซีดจาง
- แยก ท้องฟ้าจากหมอก หรือพื้นหลังที่มืดครึ้มด้วยความแม่นยำ
- การบำรุงรักษา ขอบเขตชั้นเรียนที่ชัดเจน บริเวณรอยต่อระหว่างถนนกับทางเท้า ระหว่างพืชพรรณกับดิน และระหว่างน้ำกับพื้นดิน
Solution
ชุดชั้นเรียนที่ครอบคลุม
การระบุรายละเอียดครอบคลุมหมวดหมู่ฉากทั้งหมด ได้แก่ พื้นผิวถนน ท้องฟ้า พืชพรรณ ดินและภูมิประเทศ แหล่งน้ำ เสาและป้ายจราจร เครื่องหมายบนถนน (เส้นแบ่งเลน ลูกศร ทางม้าลาย) ยานพาหนะ (รถยนต์ รถบรรทุก รถโดยสาร รถจักรยานยนต์ จักรยาน) และอาคารและสิ่งก่อสร้าง ทุกพิกเซลจะถูกกำหนดให้เป็นหนึ่งในคลาสที่กำหนดไว้
เครื่องมือสำหรับรูปหลายเหลี่ยมและมาสก์เชิงความหมาย
ผู้สร้างคำอธิบายภาพใช้เครื่องมือโพลีกอนเฉพาะทางและแปรงมาสก์เชิงความหมายเพื่อจัดการกับขอบเขตของวัตถุที่มีลักษณะโค้ง ไม่สม่ำเสมอ และหนาแน่น ด้วยความแม่นยำระดับพิกเซล การเลือกเครื่องมือจะสอดคล้องกับความซับซ้อนของรูปทรงวัตถุ โดยใช้มาสก์สำหรับรูปทรงอินทรีย์ เช่น พืชพรรณ และใช้โพลีกอนสำหรับวัตถุที่มีโครงสร้าง เช่น ยานพาหนะ
แนวทางความแม่นยำของขอบ
มีการปฏิบัติตามคำจำกัดความของคลาสอย่างเคร่งครัดและหลักเกณฑ์ความแม่นยำของขอบเขต เพื่อให้แน่ใจว่าขอบเขตระหว่างคลาสที่อยู่ติดกันนั้นชัดเจน โดยเฉพาะอย่างยิ่งในเขตเปลี่ยนผ่าน เช่น ขอบเขตระหว่างถนนกับทางเท้า ระหว่างพืชพรรณกับดิน และระหว่างน้ำกับพื้นดิน ความแม่นยำนี้เองที่ทำให้แบบจำลองพื้นที่ขับขี่ได้และการตรวจจับสิ่งกีดขวางในขั้นตอนถัดไปมีความน่าเชื่อถือ
การจัดการโครงสร้างละเอียด
โครงสร้างขนาดเล็ก เช่น เสา ป้ายจราจร และป้ายบอกทาง กินพื้นที่เพียงไม่กี่พิกเซลในภาพมุมกว้าง แต่มีความสำคัญอย่างยิ่งต่อการประมวลผล AI ในขั้นตอนต่อไป ผู้ให้ข้อมูลได้ปฏิบัติตามแนวทางเฉพาะเพื่อเก็บรายละเอียดเล็กๆ เหล่านี้โดยไม่ลดทอนความแม่นยำของขอบเขตภาพโดยรวม
การตรวจสอบคุณภาพสองระดับและความแม่นยำของพิกเซล 99%
ภาพทุกภาพที่แบ่งส่วนแล้วจะต้องผ่านกระบวนการตรวจสอบคุณภาพสองระดับอย่างเข้มงวด ได้แก่ การตรวจสอบความสอดคล้องระหว่างผู้ให้คำอธิบายภาพ การตรวจสอบความแม่นยำของขอบ และการตรวจสอบความถูกต้องของขอบเขตคลาส โดยข้อมูลทุกชุดจะต้องมีความแม่นยำระดับพิกเซลขั้นต่ำ 99% ก่อนส่งมอบ
ขอบเขตโครงการ
| ประเภทชุดข้อมูล | คุ้มครอง | เครื่องมือคำอธิบายประกอบ | ชุดคลาส | QA | ความถูกต้อง |
|---|---|---|---|---|---|
| การแบ่งส่วนเชิงความหมายของฉากทั้งหมด | ทุกพิกเซลที่มีป้ายกำกับ | รูปหลายเหลี่ยม + หน้ากากเชิงความหมาย | ชั้นเรียนการแสดงฉากแบบครบวงจร | การควบคุมคุณภาพ 2 ระดับ | ระดับพิกเซล 99% |
ผลลัพธ์
- ก่อตั้งเป็น กระบวนการทำความเข้าใจฉากระดับพิกเซล สำหรับยานยนต์ไร้คนขับและปัญญาประดิษฐ์ในเมืองอัจฉริยะ
- มาตรฐาน การครอบคลุมชั้นเรียนอย่างครอบคลุม โดยทุกพิกเซลมีป้ายกำกับ
- จัดส่ง การเปลี่ยนผ่านขอบเขตคลาสที่สะอาด ในเขตที่ซับซ้อน
- การบำรุงรักษา ความแม่นยำระดับพิกเซล 99% ผ่านระบบประกันคุณภาพสองระดับ
- เปิดใช้งานของลูกค้า พื้นที่ที่สามารถขับขี่ได้ การวางผังเมือง การตรวจสอบด้านสิ่งแวดล้อม และการติดตามงานก่อสร้าง AI
โดยรวมแล้ว Shaip ช่วยเปลี่ยนความต้องการความเข้าใจฉากในระดับพิกเซลให้กลายเป็นไปป์ไลน์การแบ่งส่วนภาพที่มีโครงสร้างและพร้อมใช้งานจริง ซึ่งสามารถรองรับการขับขี่อัตโนมัติ การวิเคราะห์เมืองอัจฉริยะ การตรวจสอบสภาพแวดล้อม และ AI สำหรับความคืบหน้าในสถานที่ก่อสร้างด้วยความแม่นยำในการติดป้ายกำกับฉากทั้งหมด
Shaip ช่วยเราเปลี่ยนคุณภาพเสียงที่เป็นอัตนัยให้กลายเป็นโปรแกรมการปรับปรุงที่วัดผลได้ กรอบการประเมินของพวกเขาให้สัญญาณที่ชัดเจนแก่เราว่าควรแก้ไขอะไร ควรปรับปรุงตรงไหน และจะก้าวไปสู่ขั้นตอนการผลิตได้อย่างมั่นใจได้อย่างไร
