Dataset---Video/Motion Segmentation Dataset and Benchmark

最新推荐文章于 2025-03-05 12:27:44 发布
最新推荐文章于 2025-03-05 12:27:44 发布
阅读量2.2k 收藏 1
点赞数 1
CC 4.0 BY-SA版权
分类专栏： Resources
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/deepvl/article/details/39988475
本文介绍了多个用于视频分割任务的数据集，包括BerkeleyVideoSegmentationDataset(BVSD)、Freiburg-BerkeleyMotionSegmentationDataset(FBMS-59)及VideoSegmentationBenchmark(VSB100)等。这些数据集对于训练和评估视频分割算法至关重要。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1: Berkeley Video Segmentation Dataset (BVSD)

Dataset train

Dataset test

 

2: Freiburg-Berkeley Motion Segmentation Dataset (FBMS-59)

T. Brox, J. Malik
Object segmentation by long term analysis of point trajectories,
European Conference on Computer Vision (ECCV), September 2010.

 

P. Ochs, J. Malik, T. Brox
Segmentation of moving objects by long term video analysis,
IEEE Transactions on Pattern Analysis and Machine Intelligence, 2014.

 

BMS-26 dataset and evaluation software (260MB)

FBMS-59 training set (504MB)

FBMS-59 test set (386MB)

FBMS-59 evaluation software

 

3: Video Segmentation Benchmark (VSB100)

Training set(40 Videos, external link to Berkeley server)

Test set(60 Videos, external link to Berkeley server)

Local links for Train and Test set:

Train set
Test set

 

4: VSB100: A Unified Video Segmentation Benchmark

 

Benchmark code

 

 

 

 

 

 

 

 

Video Segmentation Dataset and Benchmark
Alawaka2018的博客
05-17 1438
1: Berkeley Video Segmentation Dataset (BVSD)Dataset trainDataset test2: Freiburg-Berkeley Motion Segmentation Dataset (FBMS-59)T. Brox, J. MalikObject segmentation by long term analysis of point traj...
[论文笔记](CVPR2019) RVOS: End-to-End Recurrent Network for Video Object Segmentation
我的博客
06-08 1044
RVOS:End-to-End Recurrent Network for Video Object Segmentation 论文链接 作者简介： 摘要 多目标视频目标分割是一项具有挑战的任务，尤其对于zero-shot，即在没有给出视频初始帧的目标掩模的情况下分割处整个序列的目标。这篇论文提出了循环网络(Recurrent Network)以进行视频多目标分割(RVOS)，该网络可进行端对端训练。该模型将循环应用在两个不同的域中：(1)空间域：找出一帧图像中不同的目标实例；(2)时间域：保持被分割对象在
Video/Motion Segmentation Dataset and Benchmark
10-11 228
1: Berkeley Video Segmentation Dataset (BVSD) Dataset train Dataset test 2: Freiburg-Berkeley Motion Segmentation Dataset (FBMS-59) T. Brox, J. Malik Object segmentation by long ...
语义分割数据集
zhulf0804的博客
02-19 3838
Segmentation Dataset This is only a brief introduction to some semantic segmentation datasets. More detailed information and more semantic segmentation datasets will be updated in the future.(这仅仅是部分语义...
皮肤检测数据集-Skin Segmentation Data Set_UCI
04-11
通过从各种年龄组（年轻人，中年人和老年人），种族组（白人，黑人和亚洲人）的面部图像中随机抽取B，G，R值以及从FERET数据库和PAL数据库获得的性别来收集皮肤数据集。 。学习样本总量为245057; 其中50859是皮肤样本，194198是非皮肤样本。 资源内包括数据集图片下载地址和对应的标注标签文档。
9.9_semantic-segmentation-and-dataset
taifyang的博客
06-15 255
在前几节讨论的目标检测问题中，我们一直使用方形边界框来标注和预测图像中的目标。本节将探讨语义分割（semantic segmentation）问题，它关注如何将图像分割成属于不同语义类别的区域。值得一提的是，这些语义区域的标注和预测都是像素级的。图9.10展示了语义分割中图像有关狗、猫和背景的标签。可以看到，与目标检测相比，语义分割标注的像素级的边框显然更加精细。计算机视觉领域还有2个与语义分割相似的重要问题，即图像分割（image segmentation）和实例分割（instance segmentat
The Berkeley Segmentation Dataset and Benchmark-BSDS300
01-22
BSDS300数据集为图像分割和边缘检测的研究提供基准； 数据集由30个人类受试者完成，通过向一半的受试者提供彩色图像，向另一半提供灰度图像，从而完成图像的手工分割 BSDS300数据集分为包含200张图像的训练集和100张...
A Benchmark Dataset and Evaluation Methodology for Video
07-17
标题 "A Benchmark Dataset and Evaluation Methodology for Video Object Segmentation" 提供了关于视频对象分割领域的一个基准数据集和评估方法的讨论。视频对象分割是计算机视觉中的一个关键任务，它涉及在连续的...
近几年video segmentation的文章
chasel's blog
01-19 1893
1. Spectral Graph Reduction for Efficient Image and Streaming Video Segmentation. CVPR 2014 Fabio Galasso* (Max Planck Institute), Margret Keuper (University of Freiburg), Thomas Brox (University of
干货 | 视频显著性目标检测（文末附有完整源码）
gzq0723的博客
04-29 6852
显著性检测近年来引起了广泛的研究兴趣。这种日益流行的原因在于在各种视觉任务(如图像分割、目标检测、视频摘要和压缩等)中有效地使用了这些模型。显著性模型大致可分为两类：人眼...
FBMS数据集，包括他的训练集和测试集。
04-13
视频对象分割（VOS）领域常用的数据集之一——FBMS数据集，包括了它的训练集和测试集。是实例级的分割，不过也可稍作修改作为对象级分割的数据集。
【视频显著性检测】 Flow Guided Recurrent Neural Encoder for Video Salient Object Detection【CVPR2018】【论文阅读】
weixin_38682454的博客
03-01 2301
基于光流指导循环神经编码器的视频显著性检测 摘要： 归功于深度卷积神经网络，图像显着性检测已经取得了显著进展，然而，扩展最先进的图像显著性检测器到视频仍然具有挑战性。挑战主要来自物体运动、相机的运动以及视频中对比度的突然变化。在本文中，我们提出了光流引导的循环神经编码器（flow guided recurrent neural encoder FGRNE），一种准确的端到端学习的视频显著对象...
运动感知快速视频显著性检测Motion-Aware Rapid Video Saliency Detection
Doheo的博客
04-26 3704
文章《Motion-Aware Rapid Video Saliency Detection》 链接 https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8669851 （吐槽！优快云什么时候能从文档里直接复制公式，或者智能识别图片中的公式呀，打式子很累耶！） 摘要 本文提出了一种计算效率高、精度高的时空...
【数据集篇 】 多模态大模型 ：65 个测试常用基准数据集+ 涵盖13个任务
大F子的智能小课
03-05 3064
长期单对象跟踪（long-term single object tracking）。支持中文**: 是，包含联合国六种官方语言的平行语料。
不监督运动目标检测：一种新颖的无监督方法
gitblog_00041的博客
05-26 410
不监督运动目标检测：一种新颖的无监督方法 unsupervised_detectionAn Unsupervised Learning Framework for Moving Object Detection From Videos项目地址:https://gitcode.com/gh_mirrors/un/unsupervised_detection 在这个数字时代，计算机视觉领域的发展日新...
目前开源数据集整理
热门推荐
人生而孤独，却不甘寂寞。
06-09 5万+
Attention! 我的Dr.Sure项目正式上线了，主旨在分享学习Tensorflow以及DeepLearning中的一些想法。期间随时更新我的论文心得以及想法。 Github地址：https://github.com/wangqingbaidu/Dr.Sure 优快云地址：http://blog.youkuaiyun.com/wangqingbaidu 个人博客地址：http://www.wa...
数据集传送门
Dorothy_Xue
12-02 2472
【图片描述】Flickr30k：http://web.engr.illinois.edu/~bplumme2/Flickr30kEntities/ 【图片描述】Microsoft COCO：http://cocodataset.org/ 【多标签定义图像】ESP Game：https://www.kaggle.com/c/challenges-in-representation-learnin...
港大提出的视频显著物体检测MGA算法，让分割精度飙升
图像算法Imalg的博客
11-06 1276
本文对香港大学、中山大学和深睿医学人工智能实验室的ICCV2019的论文进行了解读。 该文提出了一种基于运动注意的视频聚焦目标检测方法（MGA），在DAVIS和FBMS数据集上分别提高了4和8个百分点。 背景介绍 一个重要的目标检测问题需要预测每个图片或视频帧的两级像素级分割结果，以表示图片中的重要或前景对象。 在计算机视觉和图形应用中，这个问题通常被用作预处理步骤。 随着深度学习技术的...
《The Berkeley Segmentation Dataset and Benchmark（译文）》
小秋在路上~
09-04 2750
原网页：https://www2.eecs.berkeley.edu/Research/Projects/CS/vision/grouping/segbench/ 新增功能：BSDS500是BSDS300的扩展版本，包含200个新的测试图像，现在可在此处获得。 这项工作的目的是为图像分割和边界检测的研究提供经验基础。为此，我们从30个人类受试者中收集了12,000个手工标记的1,000个Core...
> data=/home/wuwei/dataset/args.yaml \ > model=yolov8n.pt \ > epochs=100 \ > imgsz=640 \ Traceback (most recent call last): File "/home/wuwei/anaconda3/envs/yolov8_new/bin/yolo", line 8, in <module> sys.exit(entrypoint()) File "/home/wuwei/anaconda3/envs/yolov8_new/lib/python3.10/site-packages/ultralytics/cfg/__init__.py", line 907, in entrypoint check_dict_alignment(full_args_dict, {a: ""}) File "/home/wuwei/anaconda3/envs/yolov8_new/lib/python3.10/site-packages/ultralytics/cfg/__init__.py", line 498, in check_dict_alignment raise SyntaxError(string + CLI_HELP_MSG) from e SyntaxError: ' ' is not a valid YOLO argument. Arguments received: ['yolo', 'detect', 'train', 'data=/home/wuwei/dataset/args.yaml', 'model=yolov8n.pt', 'epochs=100', 'imgsz=640', ' ']. Ultralytics 'yolo' commands use the following syntax: yolo TASK MODE ARGS Where TASK (optional) is one of ['obb', 'pose', 'detect', 'segment', 'classify'] MODE (required) is one of ['val', 'export', 'train', 'track', 'benchmark', 'predict'] ARGS (optional) are any number of custom 'arg=value' pairs like 'imgsz=320' that override defaults. See all ARGS at https://docs.ultralytics.com/usage/cfg or with 'yolo cfg' 1. Train a detection model for 10 epochs with an initial learning_rate of 0.01 yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01 2. Predict a YouTube video using a pretrained segmentation model at image size 320: yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320 3. Val a pretrained detection model at batch-size 1 and image size 640: yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640 4. Export a YOLO11n classification model to ONNX format at image size 224 by 128 (no TASK required) yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128 5. Ultralytics solutions usage yolo solutions count or in ['crop', 'blur', 'workout', 'heatmap', 'isegment', 'visioneye', 'speed', 'queue', 'analytics', 'inference', 'trackzone'] source="path/to/video.mp4" 6. Run special commands: yolo help yolo checks yolo version yolo settings yolo copy-cfg yolo cfg yolo solutions help Docs: https://docs.ultralytics.com Solutions: https://docs.ultralytics.com/solutions/ Community: https://community.ultralytics.com GitHub: https://github.com/ultralytics/ultralytics
最新发布
07-10
用户提供的命令是：`yolo train detect data=/home/wuwei/dataset/args.yaml model=yolov8n.pt epochs=100 imgsz=640` 根据引用[1]中的示例，正确的训练命令格式应该是： yolo detect train data=... model=... .....
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值