CamVid
Benchmark road-scene dataset used for semantic segmentation experiments.
Benchmark dataset σκηνών δρόμου για πειράματα semantic segmentation.
Autonomous-driving perception · CamVid semantic segmentationΑντίληψη αυτόνομης οδήγησης · Semantic segmentation στο CamVid
Semantic segmentation for road and dynamic object understanding
A research project on urban road-scene understanding, comparing CNN and transformer segmentation models under a safety-oriented 5-class label formulation.
Ερευνητικό έργο για κατανόηση αστικών σκηνών δρόμου, με σύγκριση CNN και transformer μοντέλων semantic segmentation σε safety-oriented διατύπωση 5 κλάσεων.
Research focusΕρευνητική εστίαση
The project studies how architecture choice, label-space design and loss weighting affect segmentation quality for safety-critical autonomous-driving categories.
Το έργο μελετά πώς η επιλογή αρχιτεκτονικής, η διαμόρφωση των κλάσεων και η στάθμιση της loss επηρεάζουν την ποιότητα segmentation σε κρίσιμες κατηγορίες αυτόνομης οδήγησης.
5 safety classes
Background, road, sidewalk, vehicle and pedestrian.
Background, road, sidewalk, vehicle και pedestrian.
CNNs + Transformer
U-Net, DeepLabV3+ and SegFormer are compared under the same task formulation.
Σύγκριση U-Net, DeepLabV3+ και SegFormer στην ίδια πειραματική διατύπωση.
MethodologyΜεθοδολογία
The workflow converts CamVid annotations into a compact safety-oriented label space, trains multiple segmentation architectures and evaluates both global and class-wise performance.
Η ροή εργασίας μετατρέπει τα CamVid annotations σε συμπαγές safety-oriented label space, εκπαιδεύει διαφορετικές αρχιτεκτονικές segmentation και αξιολογεί συνολική και ανά-κλάση απόδοση.
1
Dataset preparationΠροετοιμασία dataset
Resize images, map labels and prepare train/validation/test splits.
Resize εικόνων, αντιστοίχιση labels και προετοιμασία train/validation/test splits.
2
Model trainingΕκπαίδευση μοντέλων
Train U-Net, DeepLabV3+ and SegFormer using cross-entropy variants.
Εκπαίδευση U-Net, DeepLabV3+ και SegFormer με παραλλαγές cross-entropy.
3
Quantitative evaluationΠοσοτική αξιολόγηση
Report mIoU and class-wise IoU for each architecture and loss setup.
Αναφορά mIoU και class-wise IoU για κάθε αρχιτεκτονική και loss setup.
4
Qualitative analysisΠοιοτική ανάλυση
Inspect masks and overlays to analyze boundaries, confusion and small-object failures.
Έλεγχος masks και overlays για όρια αντικειμένων, συγχύσεις και αποτυχίες σε μικρά αντικείμενα.
Key resultsΒασικά αποτελέσματα
The reduced 5-class U-Net achieved the strongest overall performance, while pedestrian segmentation remained the most challenging class.
Το U-Net με μειωμένο label space 5 κλάσεων πέτυχε την καλύτερη συνολική επίδοση, ενώ το pedestrian segmentation παρέμεινε η πιο δύσκολη κλάση.
0.7240Best mIoU · U-Net 5-class CE
0.7132DeepLabV3+ 5-class CE
0.6135SegFormer 5-class CE
0.2596Pedestrian IoU challenge
| Model | Label setup | Loss | mIoU |
|---|---|---|---|
| U-Net | 12 classes | Cross-Entropy | 0.4797 |
| U-Net | 5 classes | Cross-Entropy | 0.7240 |
| DeepLabV3+ | 5 classes | Cross-Entropy | 0.7132 |
| U-Net | 5 classes | Weighted Cross-Entropy | 0.6823 |
| SegFormer | 5 classes | Cross-Entropy | 0.6135 |
Experiment protocolΠειραματικό πρωτόκολλο
A presentation-ready evaluation should include model comparison, label-space ablation, loss-function ablation and class-wise error analysis.
Μια σωστή παρουσίαση πρέπει να περιλαμβάνει σύγκριση μοντέλων, ablation για label space, ablation για loss function και ανάλυση σφαλμάτων ανά κλάση.
Architecture comparison
U-Net vs DeepLabV3+ vs SegFormer.
Σύγκριση U-Net, DeepLabV3+ και SegFormer.
Label-space ablation
12-class versus reduced 5-class formulation.
Σύγκριση 12 κλάσεων με μειωμένη διατύπωση 5 κλάσεων.
Loss ablation
Cross-entropy versus weighted cross-entropy.
Cross-entropy έναντι weighted cross-entropy.
Safety classes
Focus on road, vehicle and pedestrian reliability.
Έμφαση σε αξιοπιστία road, vehicle και pedestrian.
Reproducible workflowΑναπαραγώγιμη ροή
pip install -r requirements.txt python train_*.py python predict_*.py
Next improvement: add a unified experiment runner that trains/evaluates all model configurations and exports summary tables automatically.
Επόμενη βελτίωση: ενιαίος experiment runner που εκπαιδεύει/αξιολογεί όλα τα configurations και εξάγει αυτόματα summary tables.