ConstScene: Dataset and Model for Advancing Robust Semantic Segmentation in Construction Environments

要約

建設環境における自律機械の需要が高まっているため、さまざまな気象条件や環境条件下で効果的に実行できる堅牢な物体検出アルゴリズムの開発が必要です。
このペーパーでは、悪天候や環境条件によってもたらされるさまざまな課題を考慮して、建設現場向けに特別に調整された新しいセマンティック セグメンテーション データセットを紹介します。
このデータセットは、物体検出モデルのトレーニングと評価を強化し、現実世界の建設アプリケーションにおける適応性と信頼性を促進するように設計されています。
私たちのデータセットは、晴天、雨天、霧の大気、低照度の状況など、さまざまな気象条件下で撮影された注釈付きの画像で構成されていますが、これらに限定されません。
さらに、カメラのレンズ上の汚れ/泥の存在などの環境要因は、実際のキャプチャと合成生成を通じてデータセットに統合され、建設現場に蔓延する複雑な条件をシミュレートします。
また、ホイールローダー機械、人員、自動車、構造要素など、建設環境で一般的に見られるさまざまなオブジェクトの正確なセマンティック セグメンテーション マスクを含むアノテーションの合成画像も生成します。
データセットの有用性を実証するために、提案したベンチマークで最先端の物体検出アルゴリズムを評価します。
この結果は、さまざまな条件にわたる敵対的トレーニング モデルにおけるデータセットの成功を強調し、そのような環境変動のない既存のデータセットと比較してその有効性を示しています。

要約(オリジナル)

The increasing demand for autonomous machines in construction environments necessitates the development of robust object detection algorithms that can perform effectively across various weather and environmental conditions. This paper introduces a new semantic segmentation dataset specifically tailored for construction sites, taking into account the diverse challenges posed by adverse weather and environmental conditions. The dataset is designed to enhance the training and evaluation of object detection models, fostering their adaptability and reliability in real-world construction applications. Our dataset comprises annotated images captured under a wide range of different weather conditions, including but not limited to sunny days, rainy periods, foggy atmospheres, and low-light situations. Additionally, environmental factors such as the existence of dirt/mud on the camera lens are integrated into the dataset through actual captures and synthetic generation to simulate the complex conditions prevalent in construction sites. We also generate synthetic images of the annotations including precise semantic segmentation masks for various objects commonly found in construction environments, such as wheel loader machines, personnel, cars, and structural elements. To demonstrate the dataset’s utility, we evaluate state-of-the-art object detection algorithms on our proposed benchmark. The results highlight the dataset’s success in adversarial training models across diverse conditions, showcasing its efficacy compared to existing datasets that lack such environmental variability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google