繼大華股份AI斬獲人體檢測國際競賽第一名之后,近日,大華股份基于深度學習技術研發(fā)的目標分割技術,又刷新了KITTI Road/Lane Detection(UM_ROAD)競賽的全球最好成績,取得了道路場景下目標分割排行榜第一名,超越其它一流的AI公司和頂尖的學術研究機構,以及ICCV最佳目標分割研究成果,這標志著大華股份在目標分割的智能算法領域處于世界領先水平。
(網(wǎng)址:www.cvlibs.net/dataset/kitti/eval_road.php)
大華股份在AI的核心技術領域持續(xù)耕耘,不斷提升智能算法、算力的核心競爭力。經(jīng)過長期的技術積累,大華股份在2017年文字檢測和識別、場景流識別等領域分別取得第一;2018年在2D車輛目標檢測、MOT跟蹤、Pedestrian等國際競賽中分別取得第一,本次在目標分割算法領域又取得了新突破。
關于KITTI
KITTI數(shù)據(jù)集由德國卡爾斯魯厄理工學院和豐田美國技術研究院聯(lián)合創(chuàng)辦,是目前國際上最大的計算機視覺算法評測數(shù)據(jù)集之一。數(shù)據(jù)集用于評測立體圖像(stereo),光流(optical flow),視覺測距(visual odometry),物體檢測(object detection)和跟蹤(tracking),道路分割(road),語義分割(semantics)等計算機視覺技術的性能。KITTI包含市區(qū)、鄉(xiāng)村和高速公路等場景采集的真實圖像數(shù)據(jù),每張圖像中最多包含15輛車和30個行人,且存在不同程度的遮擋與截斷。
可行駛區(qū)域道路分割任務(Road/Lane Detection)
該比賽任務為Kitti可行駛區(qū)域的道路分割任務,需要把各種場景下的可行駛區(qū)域分割出來,同時場景中存在各種遮擋和陰影,并且要求精確度達到像素級別;該訓練集有289張數(shù)據(jù),采用小樣本學習方案。
本次國際比賽在大華股份自主研發(fā)的深度學習平臺上,采用遷移學習的方法,借鑒Deeplabv3+、U-net、Hed等經(jīng)典框架的優(yōu)點,重點對U-Net、Hed邊緣檢測算法進行了改進,并應用多尺度測試和多模型融合技術,提高了檢出率和召回率。
該項國際競賽數(shù)據(jù)集的道路分割效果結果:
在大華實際產(chǎn)品和未來產(chǎn)品中的應用
本次競賽中使用的技術已經(jīng)在大華的新零售、智能交通等產(chǎn)品及解決方案上得到廣泛應用,可以實現(xiàn)基于檢測目標的像素級圖像分割,大幅提升目標的檢測性能,尤其是在遮擋場景下智能算法的檢測能力。
新零售場景
采用目標分割技術,可以實現(xiàn)商品像素級的區(qū)域檢測,高效捕獲不同角度擺放或存在重疊遮擋的商品,從而提升貨架上不同種類的商品識別率。
智能交通場景
采用目標分割技術,在道路上可以精準獲取車輛的邊界,提升視頻結構化解析服務器、車輛大數(shù)據(jù)等產(chǎn)品的核心競爭力。
|