標註案例分享：自動駕駛影像語義分割丨曼孚科技

目前，自動駕駛主流演算法模型主要以有監督的深度學習方式為主，是基於已知變數和因變數推導函式關係的演算法模型，需要大量的結構化標註資料對模型進行訓練與調優。

自動駕駛領域常見的標註型別通常包括2D框、3D立方體、多邊形、影像語義分割、影片標註、3D鐳射點雲標註等，其中影像語義分割是應用較為廣泛的一種標註型別。

從概念上來看，影像語義分割屬於人工智慧計算機視覺領域的一個重要分支，它結合了影像分類、目標檢測和影像分割等技術，主要針對影像進行畫素級的分類。

語義分割的結果是將影像變成帶有一定語義資訊的色塊。語義分割技術可以識別出每個色塊的語義類別，並給每個畫素都標註上其對應的標籤，從而實現從底層到高層的語義推理過程，最終得到一張具有各個畫素語義標註資訊的分割影像。

這些經過標註後的語義分割影像，可以用於自動駕駛核心演算法訓練。自動駕駛汽車在行駛的過程中，車載攝像頭，或者鐳射雷達探查到影像後輸入到神經網路中，後臺經過訓練的演算法模型就可以自動將影像分割歸類，以實現避讓行人與車輛等障礙。

目前，自動駕駛影像語義分割領域，常用的標註物件主要有以下種類(所有標註物件均經過標註處理，圖片來源：曼孚科技SEED資料服務平臺)：

01.道路可行駛區域

說明：道路可行駛區域通常指汽車可行駛區域。當存在路緣石時，道路可行駛區域為路緣石之間部分;當不存在路緣石時，以柏油或其他路面覆蓋區域為準。

02.欄杆/隔離欄/石墩

說明：位於道路兩側，主要包括欄杆、隔離欄、石墩等隔離物，但不含因道路施工設定的臨時路障。

03.桿狀物(豎直部分)

說明：只需要標註桿狀物的豎直部分，桿狀物上的其他部分不予標註。通常包括：路牌杆、路燈杆、交通燈杆等。

04.路邊建築

說明：道路兩側建築物，包括高層建築與底層建築等各類人造建築物體。

05.綠化植被

說明：位於道路兩側或者道路隔離地帶的綠化植被。通常包括綠化帶、草地、樹木等。

06.轎車(小型車輛)

說明：行駛在道路中或者停在路邊的用於載送人員及其隨身物品，且座位佈置在兩軸之間的汽車。

07.貨車(大型車輛)

說明：行駛在道路中或者停在路邊用於運送貨物的車輛，或者用於牽引其他車輛的汽車。

08.其他機動車

說明：轎車、貨車以外的其他機動車輛，包括公交車、無軌電車、摩托車、機動三輪車等，但不包含任何在軌道上執行的車輛。

09.行人

說明：主要為步行的人。位於汽車內部，比如轎車、公交車內的人以及騎摩托車、騎腳踏車的人無需標註。

10.非機動車

說明：非機動車，包括腳踏車、畜力車等。駕駛非機動車的駕駛員與非機動車一起，算作一個標註物件。

11.白色實線

說明：車道分界線的一種，用於分隔同向車道，不可變更車道。通常施劃在交叉路口的交通燈前。

12.單黃實線

說明：車道分界線的一種，單黃實線禁止雙方向車輛越線或壓線行駛。單黃實線一般施劃於單方向只有一條車道或一條機動車道和一條非機動車道道路、有其他危險需要禁止超車的路段。

13.黃色虛線

說明：車道分界線的一種，由連續間隔黃色車道線構成，可以在適當的時候進行超車或者掉頭轉彎等動作。

14.黃色虛實線

說明：黃色虛實線通常施劃在橋樑前後及允許掉頭的路段。黃色實線一側禁止車輛越線或壓線行駛，虛線一側准許車輛暫時越線或轉彎。

15.白色虛線

說明：車道分界線的一種，用於劃分同向車道中的不同車道，可跨越超車。

16.黃色禁止停車線

說明：當單黃實線被施劃在道路一側邊上時，其身份便轉變為“禁止停車標線”，表示在該路段禁止任何車輛停放。

17.導流線

說明：通常出現在具有複雜行駛條件的路口、匝道、掉頭車道等位置，其作用是引導車輛按規定路線行駛。

18.禁停網格線

說明：施劃於易發生因臨時停車造成堵塞的交叉路口、重要單位出入口及其他需要設定的路口等。

19.人行道

說明：普通人行橫道，分割時以每根白線的邊界進行分割標註，不以人行橫道的整體邊界進行標註。

20.道路箭頭

說明：道路上用於指示前進方向的箭頭，通常包括直行、轉彎、掉頭箭頭等。

21.減速帶

說明：安裝在公路上使經過的車輛減速的交通設施。

22.路燈

說明：位於道路兩側或者道路隔離地帶的路燈，只需要標註路燈杆的路燈部分即可。

23.紅綠燈

說明：紅綠燈的交通燈部分。

24.天空

說明：天空部分。

以上內容即為自動駕駛影像語義分割常見的標註型別。在具體的標註專案內，同時還需要注意以下幾點：

1.以上標註樣例僅供參考，自動駕駛標註場景下，具體標註方式需要依據標註需求來確定;

2.在全景影像語義分割模式下，一張影像內的所有標註物件均需要經過標註處理，不能存在空白未標註的區域。

具體可參考以下例子：

這是一張尚未經過標註處理的影像：

這是經過全景語義分割處理後的影像：

經過語義分割處理後的影像即可用於自動駕駛領域相關演算法模型的訓練，為自動駕駛早日實現落地應用增添新一份助力。