Semantische Segmentierung der gesamten Szene
Wie Shaip eine semantische Segmentierung auf Pixelebene über ganze Straßenszenen hinweg realisierte – wobei jedes Objekt und jede Oberfläche von Straßen und Himmel bis hin zu Straßenmarkierungen und Laternenpfählen gekennzeichnet wurde – und dabei einen produktionsreifen Datensatz für autonomes Fahren, intelligente Städte und Umwelt-KI erstellte.
Projektübersicht
Da das Szenenverständnis zur Grundlage für autonomes Fahren, intelligente Stadtplanung und KI zur Umweltüberwachung wird, benötigte der Kunde eine umfassende Segmentierungspipeline, die in der Lage ist, jedes Pixel im Bild zu kennzeichnen – nicht nur Begrenzungsrahmen oder Hauptobjekte.
Shaip entwickelte die durchgängige Pipeline zur Annotation auf Pixelebene, die Werkzeuge für Polygone und semantische Masken, eine umfassende Klassenabdeckung, präzise Kantenerkennung und eine zweistufige Qualitätssicherung umfasst – und so modellfertige Datensätze für KI-gestütztes Szenenverständnis erzeugt.
Schlüsselstats
Pixelgenauigkeit
99%
QA-Stufen
2-Tier
Abdeckung
Jedes Pixel
Klassensatz
Klubportal CMS
Challenges
- Etikettierung jedes Pixel im Bild – keine unbeschrifteten Bereiche zulässig
- Tracing unregelmäßige Grenzen von Vegetationsdecken, Wasseroberflächen und Straßenrissen
- Erkennungsmerkmal Straßenmarkierungen von Straßenoberflächen in abgenutztem oder verblasstem Zustand
- Trennung Himmel aus Nebel oder bewölkte Hintergründe mit Präzision
- Aufrechterhaltung klare Klassengrenzen an Übergängen von Straße zu Gehweg, von Vegetation zu Boden, von Wasser zu Erdreich
Lösung
Umfassender Klassensatz
Die Annotation umfasste alle Szenenkategorien – Straßenoberflächen, Himmel, Vegetation, Boden und Gelände, Gewässer, Masten und Beschilderungen, Straßenmarkierungen (Fahrbahnmarkierungen, Pfeile, Zebrastreifen), Fahrzeuge (Pkw, Lkw, Busse, Motorräder, Fahrräder) sowie Gebäude und Bauwerke. Jedes Pixel wurde einer der definierten Klassen zugeordnet.
Werkzeuge für Polygone und semantische Masken
Die Annotatoren verwendeten spezielle Polygonwerkzeuge und semantische Maskenpinsel, um gekrümmte, unregelmäßige und dicht gedrängte Objektgrenzen pixelgenau zu bearbeiten. Die Werkzeugauswahl wurde an die Komplexität der Objektform angepasst – Masken für organische Formen wie Vegetation, Polygone für strukturierte Objekte wie Fahrzeuge.
Richtlinien für präzise Kantenbearbeitung
Strenge Klassendefinitionen und präzise Kantendefinitionen wurden eingehalten, um saubere Grenzen zwischen benachbarten Klassen zu gewährleisten, insbesondere in Übergangszonen wie Straßen-Gehweg-, Vegetations-Boden- und Wasser-Grundwasser-Grenzen. Diese Präzision ist die Grundlage für die Zuverlässigkeit der nachfolgenden Modelle zur Erkennung befahrbarer Bereiche und Hindernisse.
Feinstrukturhandhabung
Feine Strukturen wie Masten, Verkehrsschilder und Wegweiser nehmen in Weitwinkelaufnahmen nur wenige Pixel ein, sind aber für die nachfolgende KI-Verarbeitung entscheidend. Die Annotatoren folgten speziellen Richtlinien, um diese feinen Details zu erfassen, ohne die Genauigkeit der übrigen Szenengrenzen zu beeinträchtigen.
Zweistufige Qualitätssicherung & 99 % Pixelgenauigkeit
Jedes segmentierte Bild durchlief einen strengen zweistufigen Qualitätssicherungsprozess mit Konsistenzprüfungen zwischen verschiedenen Annotatoren, Überprüfungen der Kantengenauigkeit und Validierung der Klassengrenzen. Eine minimale Pixelgenauigkeit von 99 % wurde für jeden Datensatz vor der Auslieferung sichergestellt.
Projektumfang
| Datensatztyp | Abdeckung | Anmerkungswerkzeuge | Klassensatz | QA | Genauigkeit |
|---|---|---|---|---|---|
| Semantische Segmentierung der gesamten Szene | Jedes beschriftete Pixel | Polygone + semantische Masken | Umfassende Szenenkurse | 2-stufige Qualitätskontrolle | 99 % Pixel-Ebene |
Ergebnisse:
- Gegründet a Pipeline zur Szenenanalyse auf Pixelebene für AV und intelligente Stadt-KI
- Standardisiert umfassende Klassenabdeckung mit jedem beschrifteten Pixel
- Erfolgreicher Abschluss von saubere Klassenübergänge in komplexen Zonen
- Leicht 99 % Genauigkeit auf Pixelebene über zweistufige Qualitätssicherung
- Die Client-Einstellungen wurden aktiviert. befahrbares Gebiet, Stadtplanung, Umweltüberwachung und Bauverfolgung AI
Insgesamt trug Shaip dazu bei, die Anforderung an ein Szenenverständnis auf Pixelebene in eine strukturierte, produktionsreife Segmentierungspipeline umzuwandeln – eine Pipeline, die autonomes Fahren, Smart-City-Analysen, Umweltüberwachung und KI-gestützte Baufortschrittskontrolle mit präziser Szenenkennzeichnung unterstützt.
Shaip half uns dabei, subjektive Audioqualität in ein messbares Verbesserungsprogramm umzuwandeln. Ihr Bewertungsrahmen lieferte uns klare Hinweise darauf, was zu korrigieren, wo wir uns verbessern und wie wir mit Zuversicht der Produktion näherkommen konnten.
