城市街景語義分割作為計算機視覺與智能交通領域的核心任務，旨在將城市場景圖像中的每個像素精確分類為預定義的語義類別（如道路、建筑、車輛、行人等），為自動駕駛的環(huán)境感知、智能城市的交通監(jiān)控、城市規(guī)劃的數(shù)據(jù)分析等應用提供細粒度的場景理解基礎。然而，城市環(huán)境的復雜性 —— 包括多樣的目標尺度（從遠處的行人到近處的建筑）、頻繁的遮擋（如車輛遮擋行人）、動態(tài)的光照變化（如晴天與陰天、白天與黃昏）以及復雜的背景干擾（如廣告牌、植被）—— 使得語義分割面臨嚴峻挑戰(zhàn)。正是在這一背景下，Cityscapes 數(shù)據(jù)集于 2016 年由德國馬克斯?普朗克研究所等機構聯(lián)合發(fā)布，其通過大規(guī)模、高質量的城市街景標注數(shù)據(jù)，為語義分割算法的訓練、評估與對比提供了統(tǒng)一基準，極大推動了城市場景理解技術的發(fā)展。本文將系統(tǒng)闡述 Cityscapes 數(shù)據(jù)集的構建特點、基于該數(shù)據(jù)集的語義分割技術演進、核心挑戰(zhàn)及應用價值，揭示其在城市街景語義分割領域的基礎性地位與推動作用。

Cityscapes 數(shù)據(jù)集的核心價值在于其對城市街景場景的全面覆蓋與標注的精細性，這為語義分割算法提供了貼近真實應用的訓練與評估基礎。該數(shù)據(jù)集的圖像采集自 50 個不同規(guī)模的城市（涵蓋歐洲、北美等地），包含多種典型城市環(huán)境：從繁華的市中心（密集的建筑、復雜的交通流）到郊區(qū)道路（開闊的視野、較少的行人），從商業(yè)區(qū)（高樓、廣告牌）到住宅區(qū)（低層建筑、綠化帶），確保了數(shù)據(jù)的多樣性與代表性。數(shù)據(jù)采集采用車載攝像頭，視角貼近自動駕駛系統(tǒng)的實際感知視角，圖像分辨率統(tǒng)一為 1024×2048，包含靜態(tài)場景與動態(tài)目標的豐富交互（如車輛行駛、行人過馬路）。

更關鍵的是其標注體系的層次性與精確性。Cityscapes 提供兩種層級的標注：粗標注（coarse annotations）與精細標注（fine annotations）。粗標注包含 20000 張圖像，覆蓋 19 個城市的多樣場景，采用自動化工具輔助標注，適合大規(guī)模預訓練；精細標注包含 5000 張圖像（其中 2975 張用于訓練，500 張用于驗證，1525 張用于測試），來自 30 個城市，由專業(yè)標注人員手動完成，包含 30 個語義類別（后續(xù)擴展至 34 類），細分為 “事物類”（如車輛、行人等可移動目標）與 “stuff 類”（如道路、天空等背景區(qū)域）。標注不僅精確到像素級別，還對遮擋區(qū)域、模糊邊界進行了細致處理，例如對部分遮擋的車輛，標注人員會根據(jù)可見輪廓補全語義邊界，確保像素分類的準確性。這種精細標注為算法學習復雜場景中的細節(jié)特征（如車道線、路燈與樹木的區(qū)分）提供了可靠監(jiān)督信號。