CeyMo

CeyMo数据集是由斯里兰卡莫拉图瓦大学电子与通信工程系创建，专注于道路标记检测。该数据集包含2887张高分辨率（1920×1080）图像，涵盖4706个道路标记实例，分为11个类别，覆盖多种交通、光照和天气条件。数据集通过手动标注，提供多格式（多边形、边界框和像素级分割掩码）的标注，以支持多样化的道路标记检测算法。CeyMo数据集旨在解决现有公开数据集的局限性，如缺乏挑战性场景、评估脚本缺失等问题，并提供评估指标和脚本，以促进新方法与现有方法的直接比较。该数据集适用于开发先进的驾驶员辅助系统和自动驾驶车辆中的道路标记检测算法。

The CeyMo dataset was developed by the Department of Electronic and Communication Engineering of the University of Moratuwa, Sri Lanka, and focuses on road marking detection. This dataset comprises 2887 high-resolution (1920×1080) images, containing 4706 road marking instances categorized into 11 classes, and covers diverse traffic, lighting, and weather conditions. Annotated manually, the dataset provides annotations in multiple formats including polygons, bounding boxes, and pixel-level segmentation masks, to support a wide range of road marking detection algorithms. This dataset aims to address the limitations of existing public datasets, such as the lack of challenging scenarios and absence of dedicated evaluation scripts. It also provides evaluation metrics and corresponding scripts to enable direct performance comparison between newly proposed methods and state-of-the-art approaches. The CeyMo dataset is applicable for developing road marking detection algorithms for advanced driver-assistance systems (ADAS) and autonomous vehicles.

原始信息汇总

CeyMo Road Marking Dataset

概述

CeyMo 是一个用于道路标记检测的新基准数据集，涵盖了多种具有挑战性的城市、郊区和乡村道路场景。数据集包含 2887 张分辨率为 1920 × 1080 的图像，共有 4706 个道路标记实例，属于 11 个类别。测试集分为六个类别：正常、拥挤、眩光、夜间、雨天和阴影。

下载

CeyMo 道路标记数据集的训练集、测试集和样本可以从以下 Google Drive 链接下载：

• 训练集 - 2099 张图像（1.17 GB）
• 测试集 - 788 张图像（442 MB）
• 样本 - 10 张图像（5 MB）

标注

道路标记标注以三种格式提供：多边形、边界框和像素级分割掩码。多边形标注以 JSON 格式作为基准，边界框标注以 XML 格式和分割掩码以 PNG 格式作为附加标注。每张图像的摄像机和车辆以及测试图像的类别也被标注。

统计

柱状图显示了每个类别的频率，饼图显示了测试集中每个场景的比例。

评估

评估脚本需要安装以下依赖项： bash pip install argparse shapely tabulate

通过运行提供的 Python 脚本可以获得类别、场景和总体结果： bash python eval.py --gt_dir=<gt_dir> --pred_dir=<pred_dir>

结果

在数据集上训练和评估的四个基线模型的性能如下：

模型	SSD-MobileNet-v1	SSD-Inception-v2	Mask-RCNN-Inception-v2	Mask-RCNN-ResNet50
正常	86.57	87.10	93.20	94.14
拥挤	79.45	82.51	82.04	85.78
眩光	84.97	85.90	86.06	89.29
夜间	83.08	84.85	92.59	91.51
雨天	73.68	81.87	87.50	89.08
阴影	85.25	86.53	85.60	87.30
总体 F1-Score	82.90	85.16	89.04	90.62
宏 F1-Score	80.93	82.88	85.75	88.33
速度 (FPS)	83	61	42	13

引用

如果您在工作中使用了我们的数据集，请引用以下论文：

@InProceedings{Jayasinghe_2022_WACV, author = {Jayasinghe, Oshada and Hemachandra, Sahan and Anhettigama, Damith and Kariyawasam, Shenali and Rodrigo, Ranga and Jayasekara, Peshala}, title = {CeyMo: See More on Roads - A Novel Benchmark Dataset for Road Marking Detection}, booktitle = {Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV)}, month = {January}, year = {2022}, pages = {3104-3113} }

搜集汇总

数据集介绍

构建方式

CeyMo数据集的构建旨在解决现有公开数据集在道路标线检测方面的局限性，如缺乏挑战性场景、对车道标线的重视、缺乏评估脚本、注释格式单一和分辨率较低等问题。数据集收集了2887张图像，包含4706个道路标线实例，属于11个类别。图像具有高分辨率1920 × 1080，涵盖了广泛的交通、照明和天气条件。道路标线注释以多边形、边界框和像素级分割掩码的形式提供，以促进各种道路标线检测算法的研究。同时，提供了评估指标和评估脚本，以便于直接比较新的道路标线检测方法与现有方法。

特点

CeyMo数据集的特点在于其多样性和挑战性。数据集覆盖了城市、郊区和乡村道路的各种场景，并包括了正常、拥挤、眩光、夜间、雨中和阴影等六个测试类别。数据集的注释格式多样，包括多边形、边界框和分割掩码，以适应不同的道路标线检测算法。此外，数据集还提供了评估指标和评估脚本，便于研究人员进行直接比较和性能评估。

使用方法

CeyMo数据集的使用方法包括数据准备、模型训练和性能评估。首先，研究人员需要根据数据集的注释格式准备数据，包括多边形、边界框和分割掩码。然后，可以使用提供的评估脚本来训练和评估模型。数据集提供了两种检测方法：基于实例分割的网络架构和基于目标检测的网络架构。研究人员可以根据自己的需求选择合适的方法进行道路标线检测。最后，可以使用数据集提供的评估指标和评估脚本来评估模型的性能，并与现有方法进行比较。

背景与挑战

背景概述

在智能交通系统（ITS）和自动驾驶汽车的发展中，对道路标线检测的需求日益增长。道路标线作为交通规则的重要组成部分，对于车辆的安全导航至关重要。然而，现有的公开数据集在挑战性场景的缺乏、对车道标线的过度关注、缺乏评估脚本、标注格式的单一性以及图像分辨率较低等方面存在局限性。为了解决这些问题，Jayasinghe等人于2022年创建了CeyMo数据集，这是一个用于道路标线检测的基准数据集。该数据集由斯里兰卡莫拉图瓦大学电子与电信工程系的研究团队开发，包含2887张图像和4706个道路标线实例，涵盖11个类别。CeyMo数据集具有高分辨率，捕捉了广泛的交通、光照和天气条件，为道路标线检测算法的研究提供了丰富的资源。该数据集提供了多边形、边界框和像素级分割掩码等标注格式，并提供了评估指标和评估脚本，以便直接比较不同的道路标线检测方法。CeyMo数据集的创建不仅填补了现有数据集的空白，也为道路标线检测领域的研究和开发提供了有力的支持。

当前挑战

尽管CeyMo数据集在道路标线检测领域具有显著的贡献，但仍面临一些挑战。首先，该数据集在类别分布上存在不平衡，某些类别的实例数量较少，这可能导致模型对这些类别的识别准确性较低。其次，道路标线检测在复杂的交通、光照和天气条件下仍然是一个挑战，例如在夜间、雨天、阴影或炫光等情况下。此外，尽管CeyMo数据集提供了多种标注格式，但实际应用中可能需要进一步的研究来确定哪种格式最适合特定的检测算法。最后，随着自动驾驶技术的发展，对道路标线检测的实时性和准确性要求越来越高，如何在保证高准确性的同时提高检测速度，是当前研究的一个重要方向。

常用场景

经典使用场景

CeyMo数据集被广泛应用于道路标线检测任务，包括但不限于高级驾驶辅助系统（ADAS）和自动驾驶汽车的开发。该数据集提供了丰富的标注数据，包括多边形、边界框和像素级分割掩码，这为各种道路标线检测算法的研究和开发提供了便利。此外，CeyMo数据集还提供了评估指标和评估脚本，使得研究人员可以直接比较不同道路标线检测方法的性能。

实际应用

CeyMo数据集在实际应用场景中发挥着重要作用，特别是在自动驾驶和智能交通系统领域。该数据集为道路标线检测算法的开发和优化提供了丰富的数据资源，有助于提高自动驾驶汽车在复杂环境下的行驶安全性。此外，CeyMo数据集还可以用于道路维护和管理，帮助相关部门及时发现和修复道路标线问题，提高道路安全性和通行效率。

衍生相关工作

CeyMo数据集的推出衍生了许多相关的经典工作，如Mask R-CNN和SSD等基于深度学习的道路标线检测模型。这些模型在CeyMo数据集上的性能评估结果表明，基于实例分割的Mask R-CNN模型在准确性和定位精度方面表现出色，而基于目标检测的SSD模型则在推理速度方面具有优势。这些研究成果为道路标线检测算法的进一步发展和优化提供了重要参考。