基于mask-rcnn的可行驶区域分割预测结果(视频)

最新推荐文章于 2025-08-19 08:37:43 发布
原创 最新推荐文章于 2025-08-19 08:37:43 发布 · 置顶 · 4.9k 阅读 · 19 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

使用Mask-RCNN与MSCOCO数据集预训练模型，通过迁移学习在BDD100K数据集上实现非结构化道路的可行驶区域分割。测试视频展示了良好的分割效果。

基于Mask-RCNN ,以 MS COCO 数据集作为训练数据集， 该数据集共有 81 类（ 含背景一类)，对模型进行调参训练， 利用迁移学习的思想， 将此训练好的权重作为可行驶区域分割任务中的初始权重， 在预先处理过后BDD100K 可行驶区域数据集上再次训练，以实现视频和图片序列中可行驶区域的分割预测。

部分预测结果：
https://youtu.be/S0Rkgh652UU
https://youtu.be/iXNGM1gDyH8
https://youtu.be/Ab0yaGYZO9I

非结构化道路实现可行驶区域分割的测试视频结果

期待进一步的交流.
mobile mask rcnn
loss function

-----更新-------
基于Mask-RCNN的方法,来做可行驶区域分割.其实这里基于对数据集的简化处理后,最后的任务其实是的detection+binary segmentation.这里提供一份在原始模型上训练的权值文件,可下载自行测试.链接: https://pan.baidu.com/s/1kkSdvHADJuVg3ndvo4EfWA
提取码: 38he
代码来源matterport
上面的测试视频是自己网上下载的,不是来自BDD100K.可自行下载自己想要测试的视频.

由于前面好些时间在找工作,还是菜是原罪呀~
现在还在忙着做实验,马上要交论文初稿.不能一一回复大家,我也是小白,水平有限,请谅解~
当然我觉得用two-stage的方法做检测,再加分割,实时性也不够.毕竟应用场景是驾驶场景,提升改进空间还是有蛮大的~

基于mask-rcnn-mobilenetv1的测试视频结果

-----再更-------
自毕业后，此项目搁置好长时间了，说好了会整理的，但在毕业旅行和各种毕业聚餐后也不了了之了。具体细节仅凭回忆，若有帮助，那就很开心了。

  • 关于数据集的转换
    bdd100k的转换，至于bdd100k数据集的详细介绍，可见其论文bdd100k，基于该任务，只取了两类，也可结合自己任务，数据集类别随意从现有类别中选。
  • bdd转coco
    目前，bdd已经给出了转换脚本，可谓良心了，之前还自己写转换脚本。建议结合该脚本稍加改动即可。

-----再更-------
code

使用 Mask RCNN 进行基于深度学习的对象检测和分割
Mr数据杨
11-24 1417
结合现代深度学习技术和传统的计算机视觉方法，能够在复杂的真实世界场景中实现高效准确的对象检测和实例分割。这不仅为研究人员和工程师提供了强大的工具，也为广泛的应用领域开辟了新的可能性。随着技术的不断进步，我们期待在未来看到更多创新和应用的出现。
算法之Mask R-CNN 详解
分享技术应用、实践场景等，评论区开放技术难题讨论，共同成长进步。
05-26 1363
Mask R-CNN 作为计算机视觉领域的重要算法，在多个领域都有着广泛的应用前景。无论是新手还是成手，都可以通过深入学习和实践，不断挖掘其潜力，为解决实际问题提供有力的支持。
Mask_RCNN：使用自己训练好的模型进行预测
地理信息系统、摄影测量与遥感、人工智能
05-21 2万+
今天我们来说一下，如何使用自己训练出来的Mask_RCNN模型，或是官方自己的模型权重来进行预测：该Mask_RCNN版本基于：Python3，Keras，TensorFlow，我使用的具体版本为：Python 3.6.3TensorFlow 1.7Keras 2.1.5tensorflow安装:https://blog.youkuaiyun.com/qq_15969343/article/details/7.........
PyTorch版Mask R-CNN图像实例分割实战：训练自己的数据集
10-07
注意：本课程已从maskrcnn-benchmark更新到了Detectron2Mask R-CNN是一种基于深度学习的图像实例分割方法，可对物体进行目标检测和像素级分割。本课程将手把手地教大家使用Labelme图像标注工具制作自己的数据集，并使用PyTorch版本的Mask R-CNN（Facebook 官方Detectron2/maskrcnn-benchmark）训练自己的数据集，从而能开展自己的图像分割应用。本课程的具体项目实战案例是：对汽车行驶场景中的路坑、车、车道线等多类物体进行检测和分割 。本课程在Ubuntu系统上进行项目全过程的演示。本课程提供项目标注的数据集和相关Python程序文件。相关课程：Mask R-CNN图像实例分割实战：训练自己的数据集 （Keras版本 ）https://edu.youkuaiyun.com/course/detail/25128
超全！用于自动驾驶的可行驶区域分割方法总结
CV_Autobot的博客
10-03 6441
编辑|深蓝前沿点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心技术交流群后台回复【分割综述】获取语义分割、实例分割、全景分割、弱监督分割等超全学习资料！引言在自动驾驶系统中，可行驶区域分割是一项重要的任务。可行驶区域的提取是ADAS的关键技术，旨在使用传感器感知技术感知驾驶车辆周围的道路环境，识别并分割出当前驾驶场景下可行驶的区域，防止偏离车道或违规驾驶...
自动驾驶（三十四）---------可行驶区域检测
热门推荐
zhouyy858
09-03 2万+
可行驶区域的检测主要是为自动驾驶提供路径规划辅助，可以实现整个的路面检测，也可以只提取出部分的道路信息，比如前方一定区域内的道路走向或者道路中点等，只要能结合高精度地图实现道路路径规划和障碍物躲避，不一定要完全的提取出完整的路面可行驶区域。 1. 传统机器视觉 颜色， 通过手动标注的路面颜色数据集，实现非路面和路面颜色分割区域，手动标注时给路面和非路面区域贴上标签...
ADAS：可行驶区域检测
玉米味土豆片
11-05 5444
该博客转自https://blog.youkuaiyun.com/liaojiacai/article/details/77211692  车辆的可行驶区域包括了结构化的路面、半结构化的路面、非结构化的路面。结构化的路面一般是有道路边缘线，路面结构单一，比如城市主干道，高速、国道、省道等，这个路面的结构层执行一定的标准，面层的颜色和材质统一。半结构化的路面是指一般的非标准化的路面，路面面层是颜色和材质差异较...
基于Mask-RCNN的可行驶车道检测技术研究
将Mask R-CNN用于当前可行驶车道的识别可以提供非常精确的图像分割结果，这对于车辆的路径规划和安全驾驶至关重要。 开源项目'matterport'中的'maskrcnn-benchmark'或'maskrcnn-benchmark'可能是该项目的代码库名称...
精选资源
Mask R-CNN图像实例分割实战：训练自己的数据集
06-14
Mask R-CNN是一种基于深度学习的图像实例分割方法，可对物体进行目标检测和像素级分割。 本课程将手把手地教大家使用VIA图像标注工具制作自己的数据集，并使用Mask R-CNN训练自己的数据集，从而能开展自己的图像分割...
Mask R-CNN算法
最新发布
小屁孩大帅-保密的博客
08-19 921
Mask R-CNN是2017年由Facebook AI Research(FAIR)提出的实例分割(Instance Segmentation)算法，基于Faster R-CNN改进而来，核心突破是在“目标检测”基础上新增“像素级分割”能力，能同时完成“目标定位、类别识别、实例掩码生成”三大任务，是计算机视觉领域实例分割的经典基准算法。一、核心定位：什么是实例分割？目标检测：仅输出目标的“边界框”和“类别”(如“这是一只猫，位置在(x1,y1,x2,y2)”)；语义分割。
基于多传感器融合的乡村道路可行驶区域识别
03-19
乡村道路边界模糊、路况复杂,给智能车的识别造成困难。本文针对该问题,基于认知模型,针对摄像头和雷达提出多传感器融合算法,实现了对乡村道路中可行驶道路区域的准确、可靠识别。实验结果表明,该算法在车辆低速行驶时稳定可靠。
Mask Scoring R-CNN论文解读
lunduai4750的博客
03-29 504
Mask Scoring R-CNN论文解读     人工智能大神何凯明的Mask R-CNN对实例分割做出了巨大的贡献，在2019年的CVPR会议中，一个基于Mask R-CNN的一个名为Mask Scoring R-CNN的网络提高了实例分割性能。     大多数实例分割方法中，实例蒙板（instance mask）的分数与box-level的分类置信度共享，该置信度由运用在提议特征的分类器所...
基于毫米波雷达的可行驶区域检测(Freespace)
xhblair的博客
10-07 4673
本博文论述了可行驶区域检测这一自动驾驶里的概念，并探讨基于毫米波雷达来做可行驶区域检测的优势，结合专利给出了两种实践的算法流程
第七十三篇：从ADAS到自动驾驶（六）：可行驶区域检测
liaojiacai的博客
08-16 2万+
ADAS到自动驾驶（六）：可行使区域检测 车辆的可行驶区域包括了结构化的路面、半结构化的路面、非结构化的路面。结构化的路面一般是有道路边缘线，路面结构单一，比如城市主干道，高速、国道、省道等，这个路面的结构层执行一定的标准，面层的颜色和材质统一。半结构化的路面是指一般的非标准化的路面，路面面层是颜色和材质差异较大，比如停车场，广场等，还有一些分支道路。非结构化的路面没有结构层，天...
学习笔记20--可行驶区域检测
FUXI_Willard
01-12 3732
本系列博客包括6个专栏，分别为：《自动驾驶技术概览》、《自动驾驶汽车平台技术基础》、《自动驾驶汽车定位技术》、《自动驾驶汽车环境感知》、《自动驾驶汽车决策与控制》、《自动驾驶系统设计及应用》，笔者不是自动驾驶领域的专家，只是一个在探索自动驾驶路上的小白，此系列丛书尚未阅读完，也是边阅读边总结边思考，欢迎各位小伙伴，各位大牛们在评论区给出建议，帮笔者这个小白挑出错误，谢谢！ 此专栏是关于《自动驾驶汽车环境感知》书籍的笔记 1.可行驶区域检测 1.1 基于传统计算机视觉的可行驶区域检测 1.1.1 基于直接
自动驾驶采标系列七：复杂场景语义理解-可行驶区域检测
AI数据标注猿
03-18 2720
标注猿的第58篇原创 一个用数据视角看AI世界的标注猿 本篇文章我们继续学习自动驾驶采标系列的算法基础理论，关于复杂场景语义理解中的可行驶区域检测部分。 车辆可行驶区域包括结构化路面、半结构化路面和非结构化路面。 结构化路面：往往有道理边缘线，且路面结构单一，如城市主干道、高速、国道、省道等。 半结构化路面：指一般的非标准化的路面，路面的颜色和材质差异较大，如停车场、广场等，还有一些分支道理。 对于自动驾驶汽车来说，可行驶区域检测是后续路径路径规划中不...
自动驾驶系（四）——环境感知之可行驶区域检测技术
m0_51579041的博客
07-11 596
自动驾驶系（四）——环境感知之可行驶区域检测技术
CV——day80 读论文：DLT-Net:可行驶区域、车道线和交通对象的联合检测
想太多的学习日志
03-01 1316
本文提出了一种可行驶区域、车道线和交通目标联合检测的统一网络DLT-Net。这三个任务被认为是自动驾驶汽车最关键的感知任务。该网络在BDD数据集的所有三个任务中都显示出竞争性能。在DLT-Net中设计的上下文张量显著提高了检测精度，使其性能优于多项网络。考虑到智能交通应用的性质，与将每个任务分开相比，统一网络具有固有的优势。此外，与分离每个解码器相比，上下文张量结构在提高检测精度方面显示出固有的优势。
ICLR 2022 | ORFD: 第一个开源的越野环境可行驶区域检测数据集
CV_Autobot的博客
10-13 4670
作者|闵称 编辑|汽车人原文链接：https://zhuanlan.zhihu.com/p/570863596点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心技术交流群论文链接：https://arxiv.org/abs/2206.09907代码链接：https://github.com/chaytonmin/Off-Road-Freespace-...
评论 35
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值