BARS：一种机场跑道分割基准
计算机视觉与模式识别
2023-04-18 v3 人工智能
摘要
机场跑道分割可有效降低飞行事故风险最大的着陆阶段的事故率。随着深度学习（DL）的快速发展，相关方法在分割任务上取得良好性能，并能很好地适应复杂场景。然而，该领域缺乏大规模公开可用数据集，使得基于DL的方法研发困难。因此，我们提出一个名为BARS的机场跑道分割基准。此外，设计了半自动标注流水线以减轻标注工作量。BARS拥有该领域最大的数据集、最丰富的类别以及唯一的实例标注。该数据集使用X-Plane仿真平台采集，包含10,256张图像和30,201个实例，分为三类。我们在BARS上评估了十一种代表性实例分割方法并分析其性能。基于机场跑道形状规则的特点，我们提出了即插即用的平滑后处理模块（SPM）和轮廓点约束损失（CPCL）函数，分别用于基于掩码和基于轮廓的方法的分割结果平滑。此外，开发了名为平均平滑度（AS）的新评价指标来衡量平滑性。实验表明，现有实例分割方法在BARS上可取得良好预测性能。SPM和CPCL能有效提升AS指标，同时轻微提高精度。我们的工作将发布于https://github.com/c-wenhui/BARS。
引用
@article{arxiv.2210.12922,
title = {BARS: A Benchmark for Airport Runway Segmentation},
author = {Wenhui Chen and Zhijiang Zhang and Liang Yu and Yichun Tai},
journal= {arXiv preprint arXiv:2210.12922},
year = {2023}
}
备注
Applied Intelligence 2023