本文介绍一个新的道路标记检测数据集，论文收录于 WACV2022。Ceymo数据集总共包含2887张图片，标注了11类共4706个道路标记实例，图片分辨率为 1920×10801920\times10801920×1080。其中，对于每一个道路标记实例，作者采用了三种标注方式：多边形、bounding box以及像素级标注。 除此之外，作者还提供了数据集评价指标和脚本程序，在数据集上作者还使用了实例分割和目标检测两种检测方法进行对比，作为baseline。从实验结果来看，实例分割的方法准确度高于目标检测方法。
2021-11-17日补充： 论文数据集下载地址：
- Train set - https://drive.google.com/file/d/1-TDEfGXtEQ4s037M_ynmV6aiOfNp2NZv/view?usp=sharing
- Test set - https://drive.google.com/file/d/1YhWld3kxR5Ahz4Q-hy61UKI0KN_so9fa/view?usp=sharing
论文链接：https://arxiv.org/abs/2110.11867
1.Benchmark Dataset
首先介绍数据集收集工作，作者通过车载摄像头进行录像采集，然后从视频片段中提取出包含道路标记的图片。
采集完之后，作者使用了labelme标注工具手动标注，将道路标记标注为多边形。除了多边形标注之外，还有bounding box和像素级标注，下图是其中一张图片的标注结果。
下面介绍下数据集分布情况，整个数据集划分为训练集（2099张图片）和测试集（788张图片），数据集分为11类，统计情况如表3所示；测试集划分为6个场景，统计情况如表2所示。
下面是评价指标，作者使用了两个评价指标，首先是 F1F_1F1 评价指标，当预测区域与真值区域的 IoU>0.3IoU>0.3IoU>0.3 则预测为真阳性。
F1−score =2×precision ×recall precision +recall F_{1-\text { score }}=\frac{2 \times \text { precision } \times \text { recall }}{\text { precision }+\text { recall }} F1− score = precision + recall 2× precision × recall
为了计算所有类别的平均分值，作者还使用了 MarcoF1Marco F_1MarcoF1 评价指标，公式为：
Macro- F1−score =1C∑i=1CF1-score i\text { Macro- } F_{1}-\text { score }=\frac{1}{C} \sum_{i=1}^{C} F_{1} \text {-score }_{i} Macro- F1− score =C1i=1∑CF1-score i
2.Methodology
下面介绍论文使用的检测方法。作者总共使用了两种方法（如下图所示）。
- （a）目标检测方法，首先将原始图片
逆投影转换为鸟瞰图，这有助于移除大量的背景区域，只保留地面区域。作者使用的检测网络为SSD，使用了两种主干网：MobileNet-v1和Inception-v2。所有模型输入图片分辨率为 500×500500\times500500×500。最后再将输出的bbox转换到原始图片中。 - （b）实例分割方法，使用的网络为
Mark-RCNN，同样也使用了两种主干网：Inception-v2和ResNet-50。输入图片分辨率也为 500×500500\times500500×500。
3.Experiments & Results
最后是实验设置，因为在采集的数据集中存在类别不平衡问题，作者首先进行了数据增强处理。如水平翻转、调整图片饱和度、亮度和对比度等。训练使用的是TensorFlow API（具体细节可看原文）。
下面是实验结果（如下表所示），可以看到实例分割方法的准确度高于目标检测方法的准确度。
)
