EAGLE: Datensatz zur Fahrzeugerkennung in realen Szenarien anhand von Luftbildern
EAGLE: Datensatz zur Fahrzeugerkennung in realen Szenarien anhand von Luftbildern
Die automatisierte Erkennung von unterschiedlichen Fahrzeugklassen und ihrer Ausrichtung auf Luftbildern ist eine wichtige Aufgabe im Bereich der Verkehrsforschung und findet zudem auch Anwendungen u.a. im Katastrophenmanagement. Für die Weiterentwicklung entsprechender Algorithmen, die nicht nur unter Laborbedingungen, sondern auch in realen Szenarien zuverlässige Ergebnisse liefern, spielen möglichst umfangreiche und vielseitige Trainingsdatensätze eine entscheidende Rolle. Hierfür stellen wir unseren Datensatz EAGLE (oriEnted vehicle detection using Aerial imaGery in real-worLd scEnarios) vor.
Der EAGLE-Datensatz dient der Erkennung von Fahrzeugen unterschiedlicher Klassen inklusive Fahrzeugausrichtung basierend auf Luftbildern. Er enthält hochaufgelöste Luftbilder, die verschiedene reale Situationen mit unterschiedlichen Aufnahmesensoren, -winkeln und -zeiten, Flughöhen, Auflösungen (5-45 cm Bodenpixelgröße), Wetter- und Beleuchtungsbedingungen, sowie städtische und ländliche Aufnahmeregionen umfassen und zwischen 2006 und 2019 aufgenommen wurden. EAGLE enthält 215.986 annotierte Fahrzeuge auf 318 Luftbildern für kleine Fahrzeugklassen (Pkw, Lieferwagen, Transporter, SUVs, Krankenwagen, Polizeifahrzeuge) und große Fahrzeugklassen (Lkw, große Lkw, Kleinbusse, Busse, Feuerwehrfahrzeuge, Baufahrzeuge, Anhänger) inklusive orientierter Begrenzungsrahmen, die durch vier Punkte definiert werden. Die Annotation enthält die jeweiligen Koordinaten aller vier Fahrzeugecken, sowie einen Orientierungsgrad zwischen 0° und 360°, der den Winkel der Fahrzeugspitze angibt. Darüber hinaus sind für jedes Beispiel die Sichtbarkeit (vollständig/teilweise/schwach sichtbar) und die Erkennbarkeit der Orientierung des Fahrzeugs (klar/unklar) angegeben.
Um verschiedene Benchmark-Algorithmen auf EAGLE zu bewerten, schlagen wir drei verschiedene Aufgaben vor, darunter die Erkennung durch HBB, RBB und OBB. Als Bewertungsmaßstab verwenden wir die mittlere durchschnittliche Genauigkeit (mAP) ähnlich wie bei PASCAL VOC. Wir teilen den Datensatz in eine Trainings-, eine Validierungs- und eine Testmenge auf, indem wir die Bilder nach dem Zufallsprinzip im Verhältnis zueinander zuordnen: 1/2, 1/6 bzw. 1/3.
Aufgrund seiner Vielseitigkeit kann der Datensatz zusätzlich für Forschungen zur Dunst- und Schattenentfernung, sowie Superresolution- und In-Painting-Anwendungen genutzt werden.
S. Azimi, R. Bahmanyar, C. Henry, and F. Kurz, "EAGLE: Large-scale Vehicle Detection Dataset in Real-World Scenarios using Aerial Imagery," in International Conference on Pattern Recognition (ICPR), 2020. https://ieeexplore.ieee.org/document/9412353
