전체 장면 의미론적 분할
Shaip은 도로와 하늘에서부터 도로 표시와 미세한 기둥에 이르기까지 모든 객체와 표면에 레이블을 지정하여 전체 거리 장면에서 픽셀 수준의 의미론적 분할을 구현했으며, 이를 통해 자율 주행, 스마트 시티 및 환경 AI를 위한 프로덕션급 데이터 세트를 구축했습니다.
사업 개요
장면 이해가 자율 주행, 스마트 도시 계획 및 환경 모니터링 AI의 기반이 됨에 따라 고객은 경계 상자나 주요 객체뿐만 아니라 이미지의 모든 픽셀에 레이블을 지정할 수 있는 포괄적인 분할 파이프라인을 필요로 했습니다.
샤이프는 다각형 및 의미 마스크 도구, 포괄적인 클래스 적용 범위, 정밀한 경계 처리, 2단계 품질 보증을 포함하는 픽셀 수준의 엔드 투 엔드 주석 파이프라인을 구축하여 전체 장면 이해 AI를 위한 모델 준비 데이터 세트를 생성했습니다.
주요 통계
픽셀 정확도
99%
QA 레벨
2-Tier
적용 범위
모든 픽셀
클래스 집합
포괄적
도전
- 레이블링 모든 픽셀 이미지에서 레이블이 지정되지 않은 영역은 허용되지 않습니다.
- 트레이싱 불규칙한 경계 초목 덮개, 수면 및 도로 균열
- 구별 도로 표면의 도로 표시 낡거나 색이 바랜 상태
- 분리 안개로 뒤덮인 하늘 또는 흐린 배경을 정확하게
- 유지 보수 깔끔한 클래스 경계 도로와 보도, 식물과 토양, 물과 지면의 경계면에서
해법
종합 수업 세트
주석은 도로 표면, 하늘, 초목, 토양 및 지형, 수역, 전봇대 및 표지판 구조물, 도로 표시(차선, 화살표, 횡단보도), 차량(자동차, 트럭, 버스, 오토바이, 자전거), 건물 및 인공 구조물 등 장면의 모든 범주를 포괄했습니다. 모든 픽셀은 정의된 클래스 중 하나에 할당되었습니다.
다각형 및 의미 마스크 툴링
주석 작성자들은 특수 다각형 도구와 의미론적 마스크 브러시를 사용하여 곡선형, 불규칙형, 밀집된 객체 경계를 픽셀 단위의 정확도로 처리했습니다. 도구 선택은 객체 형태의 복잡성에 맞춰 이루어졌는데, 식물과 같은 유기적인 형태에는 마스크를, 차량과 같은 구조화된 객체에는 다각형을 사용했습니다.
모서리 정밀도 지침
인접한 클래스 간의 경계, 특히 도로와 보도, 초목과 토양, 물과 지면 경계와 같은 전환 영역에서 경계가 명확하게 구분되도록 엄격한 클래스 정의와 경계 정밀도 지침을 준수했습니다. 이러한 정밀도 덕분에 후속적인 주행 가능 영역 및 장애물 감지 모델이 안정적으로 작동합니다.
미세 구조 처리
전봇대, 교통 표지판, 이정표와 같은 미세 구조물은 광각 이미지에서 단 몇 픽셀만을 차지하지만, 후속 AI 작업에 매우 중요합니다. 주석 작성자들은 전체 장면 경계의 정확도를 희생하지 않고 이러한 미세한 세부 사항을 포착하기 위해 특정 지침을 따랐습니다.
2단계 품질 관리 및 99% 픽셀 정확도
분할된 모든 이미지는 엄격한 2단계 품질 보증 프로세스를 거쳤습니다. 이 프로세스에는 주석 작성자 간 일관성 검사, 에지 정밀도 검토 및 클래스 경계 유효성 검사가 포함됩니다. 모든 데이터 세트는 배포 전에 최소 99%의 픽셀 수준 정확도를 충족해야 했습니다.
프로젝트 범위
| 데이터 세트 유형 | 적용 범위 | 주석 도구 | 클래스 집합 | QA | 정확성 |
|---|---|---|---|---|---|
| 전체 장면 의미론적 분할 | 모든 픽셀에 라벨이 지정되었습니다. | 다각형 + 의미 마스크 | 종합적인 장면 수업 | 2단계 품질 관리 | 99% 픽셀 수준 |
결과
- 설립 픽셀 수준 장면 이해 파이프라인 자율주행 및 스마트 시티 AI용
- 표준화 종합적인 수업 내용 모든 픽셀에 레이블이 지정됨
- 배달 깔끔한 클래스 경계 전환 복잡한 영역에서
- 유지 픽셀 수준 정확도 99% 2단계 QA를 통해
- 클라이언트의 기능을 활성화했습니다. 차량 통행 가능 지역, 도시 계획, 환경 모니터링 및 건설 추적 AI
전반적으로 Shaip은 픽셀 수준의 장면 이해 요구 사항을 자율 주행, 스마트 시티 분석, 환경 모니터링 및 건설 현장 진행 상황 AI를 지원할 수 있는 구조화되고 즉시 사용 가능한 분할 파이프라인으로 변환하는 데 도움을 주었으며, 이를 통해 전체 장면 라벨링 정확도를 달성했습니다.
Shaip 덕분에 주관적인 오디오 품질을 측정 가능한 개선 프로그램으로 전환할 수 있었습니다. 그들의 평가 프레임워크는 무엇을 고쳐야 할지, 어디를 개선해야 할지, 그리고 어떻게 하면 자신감을 가지고 제품 출시 단계로 나아갈 수 있을지에 대한 명확한 신호를 제공해 주었습니다.
