BARS: A Benchmark for Airport Runway Segmentation

要約

【タイトル】
BARS: 空港滑走路のセグメンテーションのためのベンチマーク

【要約】
– 着陸フェーズは航空事故のリスクが最も高く、空港滑走路のセグメンテーションは事故率を低下させることができる
– AIの発展により、複合的なシーンにも適したセグメンテーション手法が多数提案されているが、大規模かつ公開されたデータセットの不足により、DLを基盤とする手法の開発が困難になっている
– そこで、BARSという空港滑走路のセグメンテーションのためのベンチマークを提案した
– BARSは、最も豊富なカテゴリのインスタンスアノテーションを持つ最大のデータセットである
– ベンチマーク作成に際してはX-Planeシミュレーションプラットフォームを利用し、10,256枚の画像と30,201個のインスタンスを含む
– 11種のインスタンスセグメンテーション手法を評価し、なめらかさを測定する新しい評価尺度「average smoothness (AS)」を開発した
– ASを向上させるために、空港滑走路の画像の特性に基づき、マスクベース手法にはプラグアンドプレイの平滑後処理モジュール（SPM）、輪郭ベース手法には輪郭点制約損失関数（CPCL）を提案した
– 実験の結果、すでに存在するインスタンスセグメンテーション手法でもBARSで良好な予測結果を得ることができる。SPMやCPCLによってASが向上し、正確さもわずかに向上したことが示された
– https://github.com/c-wenhui/BARS で提供される。

要約(オリジナル)

Airport runway segmentation can effectively reduce the accident rate during the landing phase, which has the largest risk of flight accidents. With the rapid development of deep learning (DL), related methods achieve good performance on segmentation tasks and can be well adapted to complex scenes. However, the lack of large-scale, publicly available datasets in this field makes the development of methods based on DL difficult. Therefore, we propose a benchmark for airport runway segmentation, named BARS. Additionally, a semiautomatic annotation pipeline is designed to reduce the annotation workload. BARS has the largest dataset with the richest categories and the only instance annotation in the field. The dataset, which was collected using the X-Plane simulation platform, contains 10,256 images and 30,201 instances with three categories. We evaluate eleven representative instance segmentation methods on BARS and analyze their performance. Based on the characteristic of an airport runway with a regular shape, we propose a plug-and-play smoothing postprocessing module (SPM) and a contour point constraint loss (CPCL) function to smooth segmentation results for mask-based and contour-based methods, respectively. Furthermore, a novel evaluation metric named average smoothness (AS) is developed to measure smoothness. The experiments show that existing instance segmentation methods can achieve prediction results with good performance on BARS. SPM and CPCL can effectively enhance the AS metric while modestly improving accuracy. Our work will be available at https://github.com/c-wenhui/BARS.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI