近日，大華股份基于深度學習技術(shù)研發(fā)的目標分割技術(shù)，刷新了Kitti實例分割任務(wù)競賽的最好成績，取得了實例分割排行榜第一名，超越其它一流的AI公司和頂尖的學術(shù)研究機構(gòu)，這標志著大華股份在實例分割領(lǐng)域處于高水平。

大華股份在AI核心技術(shù)領(lǐng)域持續(xù)耕耘，不斷提升智能算法、算力的核心競爭力。經(jīng)過長期的技術(shù)積累，大華股份在2017年文字檢測和識別、場景流識別等領(lǐng)域分別取得第一；2018年在2D車輛目標檢測、MOT跟蹤、Pedestrian等國際競賽中分別取得第一，本次在實例分割算法中再次取得了新突破。

關(guān)于Kitti：

Kitti數(shù)據(jù)集由德國卡爾斯魯厄理工學院和豐田美國技術(shù)研究院聯(lián)合創(chuàng)辦，是目前國際上最大的計算機視覺算法評測數(shù)據(jù)集之一。數(shù)據(jù)集用于評測立體圖像(Stereo)、光流（Optical Flow)、視覺測距(Visual Odometry)、物體檢測(Object Detection)和跟蹤(Tracking)、道路分割(Road)、語義分割(Semantics)等計算機視覺技術(shù)在車載環(huán)境下的性能。Kitti包含市區(qū)、鄉(xiāng)村和高速公路等場景采集的真實圖像數(shù)據(jù)，每張圖像中最多包含15輛車和30個行人，且存在不同程度的遮擋與截斷。

在Kitti實例分割任務(wù)（Semantic Instance Segmentation Evaluation）中，需要把各種場景下的行人、汽車、自行車、公交車、貨車、火車等10個類別的實例準確分割出來。同時，訓練集和驗證集分別只有200張數(shù)據(jù)，屬于小樣本學習。

在本次國際比賽上，大華股份自主研發(fā)的深度學習平臺，采用遷移學習的方法，借鑒Mask R-CNN、PANet等最新算法的優(yōu)點，重點對PANet算法進行了改進，將檢測和分割任務(wù)同時進行，并應(yīng)用多尺度檢測方法，提高了檢出率。

（網(wǎng)址：www.cvlibs.net/dataset/kitti/eval_instance_seg.php）

⊙該項國際競賽數(shù)據(jù)集的實例分割效果：

（圖2）

⊙大華股份實際產(chǎn)品和未來產(chǎn)品中的應(yīng)用：

本次競賽中使用的技術(shù)已在大華股份產(chǎn)品及解決方案中成功應(yīng)用，尤其是在智慧交通、智慧安檢、智慧水務(wù)等領(lǐng)域，可把人、車等目標物快速地從視頻中分離出來并進行智能分析，實現(xiàn)特定目標的快速查找和檢索，極大地提高了工作效率和視頻應(yīng)用價值。