SHREC 2022: Detection von Schlaglöchern und Rissen in Straßenoberflächen mittels Bilder und RGB-D-Daten

Diese Arbeit beschreibt die zur Bewertung für den SHREC 2022-Track zur Erkennung von Schlaglöchern und Rissen in Straßenbelägen eingereichten Methoden. Es werden insgesamt sieben verschiedene Ansätze für die semantische Segmentierung von Straßenoberflächen verglichen, sechs von den Teilnehmern sowie eine Baseline-Methode. Alle Methoden basieren auf Deep-Learning-Techniken und werden in derselben Umgebung (nämlich einem einzelnen Jupyter-Notebook) getestet. Den Teilnehmern wurde ein Trainingsdatensatz zur Verfügung gestellt, bestehend aus 3836 Paaren aus semantischen Segmentierungsbildern und Masken sowie 797 RGB-D-Videoclips, die mit modernsten Tiefenkameras aufgenommen wurden. Die Methoden werden anschließend anhand von 496 Bild/Maske-Paaren im Validierungsdatensatz, 504 Paaren im Testdatensatz und schließlich anhand von acht Videoclips bewertet. Die Auswertung der Ergebnisse basiert auf quantitativen Metriken für die Bildsegmentierung sowie einer qualitativen Analyse der Videoclips. Die Teilnahme und die Ergebnisse zeigen, dass das Szenario von großem Interesse ist und die Nutzung von RGB-D-Daten in diesem Kontext weiterhin herausfordernd bleibt.