中科視語，卓越技術(shù)實力再獲國際權(quán)威認可！

不久前，2024計算機視覺領(lǐng)域的頂級學術(shù)會議ECCV在全球目光注視中順利落幕，ECCV的全稱是European Conference on Computer Vision(歐洲計算機視覺國際會議)，是兩年一度的全球計算機視覺領(lǐng)域與模式識別領(lǐng)域最頂尖的學術(shù)會議。其與CVPR(IEEE/CVF Computer Vision and Pattern Recognition Conference)、ICCV(IEEE/CVF International Conference on Computer Vision)一起并稱為計算機視覺領(lǐng)域的三大最高級別的頂級會議。本次會議上，備受關(guān)注的開放世界魯棒語義分割挑戰(zhàn)賽BRAVO 2024 (a unified Benchmark for Robustness in Autonomous Vehicles in the Open-world，簡稱BRAVO)也在同期結(jié)束了“巔峰對決”，在本次比賽中，中科視語AI團隊以62.6的出色成績，從全球17個國家和地區(qū)，百余支頂尖AI團隊中脫穎而出，摘下桂冠。這也是中科視語在2024年登頂工業(yè)異常檢測挑戰(zhàn)賽桂冠后，面向圖像語義分割技術(shù)的又一次實力展示。

中科視語AI團隊斬獲 多域圖像語義分割 賽道(BRAVO 2024)賽道第一名

開放世界魯棒語義分割挑戰(zhàn)賽BRAVO

自動駕駛汽車需要在極其復雜的開放世界中運行，保障乘客安全極其重要。因此，自動駕駛系統(tǒng)不僅需要在其已知域中表現(xiàn)出色，而且必須對對抗性攻擊、極端天氣條件、未知域環(huán)境、或罕見但可能具有災(zāi)難性的駕駛情況，具有非常高的魯棒性。BRAVO比賽旨在開發(fā)、測試以及評估自動駕駛感知模型的魯棒性，以應(yīng)對以下以安全自動駕駛為目標的挑戰(zhàn)：a)模型輸出的校準及其不確定性的估計;b)檢測域外目標或者區(qū)域;c)評估逐漸偏離預(yù)期已知域的域偏移程度。

BRAVO比賽旨在對城市場景中各種形式的自然條件和逼真的損壞模擬，對圖像語義分割模型進行基準測試。 本次BRAVO比賽分為兩個賽道：

1.單域訓練：僅在 Cityscapes 數(shù)據(jù)集上訓練模型，評估模型在有限監(jiān)督和地理多樣性下，面對現(xiàn)實場景中意外損壞時的魯棒性。

2.多域訓練：在多個混合數(shù)據(jù)集上訓練模型，包括自然域和合成域，評估分割模型在多域數(shù)據(jù)集條件下對未知域的魯棒性。

BRAVO比賽需要模型在測試階段，能夠(1)對訓練時“特定的環(huán)境”下對“已知類別”進行語義分割;(2)對訓練階段“未知的環(huán)境”下對“已知類別”進行語義分割;(3)對訓練時“特定的環(huán)境”下對“異常類別”進行語義分割;(4)對訓練階段“未知的環(huán)境”下對“異常類別”進行語義分割。BRAVO比賽要求模型具有極高的魯棒性和泛化能力。

BRAVO四種測試數(shù)據(jù)類型示意圖

基于不確定度度量學習的圖像語義分割方法UBANet

為了有效識別出異常類別，同時能夠提高模型的泛化能力，研究團隊提出了基于不確定度度量學習的圖像語義分割方法UBANet，通過對模型預(yù)測的不確定度進行建模和函數(shù)近似，從而優(yōu)化模型預(yù)測的不確定度，提高模型對于已知類別和未知類別的區(qū)分度，進一步增強模型的泛化能力。

UBANet 結(jié)構(gòu)圖

先驗引導結(jié)構(gòu)設(shè)計的FastSAM 細粒度分割方法

為了進一步優(yōu)化語義分割的邊緣準確性，研究團隊采用FastSAM來對模型的預(yù)測結(jié)果進行邊緣平滑。FastSAM包括兩個階段，即全實例分割和提示引導選擇階段。前一個階段是基礎(chǔ)階段，第二個階段本質(zhì)上是面向任務(wù)的后處理。整體方法引入了與視覺分割任務(wù)相匹配的先驗知識，可以在較少的參數(shù)數(shù)量下更快地收斂。

FastSAM 結(jié)構(gòu)圖

圖像語義分割有效助力智慧交通和智慧工業(yè)實現(xiàn)應(yīng)用落地

中科視語AI團隊通過在圖像語義分割領(lǐng)域多年的深耕，積累了豐富的研究經(jīng)驗與眾多應(yīng)用落地案例。

在智慧交通領(lǐng)域，中科視語展現(xiàn)出強大的實力，高效地完成了從先進技術(shù)到商業(yè)化落地的轉(zhuǎn)化。 智慧交通拳頭產(chǎn)品借助圖像語義分割技術(shù)，對交通場景實施實時監(jiān)控，精準識別車輛、行人、交通標志等，為交通管理部門提供可靠決策依據(jù)。同時，該技術(shù)還具備交通流量統(tǒng)計、事故預(yù)警等強大功能，為智慧交通的蓬勃發(fā)展提供堅實技術(shù)支撐。

在道路瑕疵檢測方面， 圖像語義分割再度彰顯關(guān)鍵作用。通過中科視語先進算法，實現(xiàn)對道路圖像進行精細分析，自動識別裂縫、坑洼等各類瑕疵，準確區(qū)分道路不同部分并定位瑕疵位置。這一技術(shù)大幅提升檢測效率，降低人工巡檢成本與時間，實現(xiàn)實時監(jiān)測，及時發(fā)現(xiàn)道路問題，為道路維護提供精準信息，有力推動交通基礎(chǔ)設(shè)施不斷完善。

除此之外，圖像語義分割在無人駕駛領(lǐng)域發(fā)揮著至關(guān)重要的作用。 它能夠?qū)�車輛周圍的環(huán)境進行精確分析，區(qū)分道路、車輛、行人、交通標志等不同元素。通過圖像語義分割技術(shù)，無人駕駛汽車可以準確識別行駛路徑，及時避開障礙物，極大地提高行駛的安全性。同時，該技術(shù)還能幫助車輛更好地理解交通場景，輔助決策。圖像語義分割為無人駕駛的實現(xiàn)提供了強大的技術(shù)支持，推動著無人駕駛技術(shù)不斷向前發(fā)展。

在工業(yè)領(lǐng)域，圖像語義分割同樣價值巨大。在工業(yè)安全生產(chǎn)方面， 實現(xiàn)對工廠環(huán)境實時監(jiān)測分析，準確識別設(shè)備運行狀態(tài)、人員操作行為及潛在安全隱患區(qū)域，及時發(fā)出預(yù)警，有效降低安全事故發(fā)生概率。在工業(yè)質(zhì)檢環(huán)節(jié)， 更是大顯身手，精確區(qū)分產(chǎn)品不同部位，快速檢測出表面瑕疵、尺寸偏差等問題，提高質(zhì)檢效率與準確性，減少人為誤差，確保產(chǎn)品質(zhì)量一致性與可靠性，為工業(yè)領(lǐng)域的安全生產(chǎn)與高質(zhì)量發(fā)展提供強大支撐。

(新媒體責編：wa12)