图像分割数据库--学习笔记

matlab | BSDS500/BSDS300分割数据集的下载以及简单处理 这两个是berkely (伯克利大学)computer vision group提供的数据集,用来做segmentation(图像分割)或contour detection(轮廓检测)的,还有人拿这个做super resolution(超分重建)的 BSDS500: 数据库包含200张训练图,200张侧视图,100张检验图。ground truth是人工标识的,已数据库图片id为单位,... 阅读详情

PASCAL VOC

官网
训练/验证数据集

在这里插入图片描述
PASCAL(Pattern Analysis(模式分析), Statistical Modelling and Computaional Learning(统计建模和计算学习)) VOC(Visual Object Classes)是一个比较老的数据集,从2005年到2012年,每年都会举办一场图像识别比赛。提供20个类别。具体如下:

  • person
  • bird, cat, cow, dog, horse, sheep
  • aeroplane, bicycle, boat, bus, car, motorbike, train
  • bottle, chair, dining table, potted plant, sofa, tv/monitor

PASCAL VOC 2007 和 2012 数据集总共分 4 个大类:vehicle、household、animal、person,总共 20 个小类(加背景 21 类),预测的时候是只输出下图中黑色粗体的类别在这里插入图片描述

数据集共包含5类标注数据,其中,目标检测和分割是PASCAL VOC最常用来做实验的2组数据,5类标注数据具体如下:

  • 图片分类:判断某个分类是否在图片上。
  • 目标检测:检测出图片中物体的位置并给出矩形框。
  • 分割:对于图片中的每个像素,区分出其属于20类目标中的哪一种,如果都不是则为背景,分割包含语义分割和实例分割两种数据。
  • 人体行为识别:在净值图片中预测人的行为,共10类行为。
  • 大规模图像识别:ImageNet分类任务,后续可以参考ImageNet比赛。

VOC2007 和 VOC2012 目标检测任务中的训练、验证和测试数据统计如下表所示,具体每一类的数据分布见 PASCAL VOC2007 Database Statistics 和 PASCAL VOC2012 Database Statistics
在这里插入图片描述

VOCdevkit文件结构

.
└── VOC2012 #2012年数据
    ├── Annotations #保存图像的各种label标签数据的xml文件,与JPEGImages中的图片一一对应,包含目标的类别、位置等信息,解释图片内容等等
    ├── ImageSets #存放拆分好的训练和测试数据列表,txt文件,train为训练数据+val为验证数据=trainval为训练验证数据,末尾正负1表示正负样本
    │   ├── Action #存放人的动作(如running、jumping等等),总共10类动作。
    │   ├── Layout #存放具有人体部位的数据(人的head、hand、feet等等)
    │   ├── Main #存放图像物体识别的数据,总共分为20类。
    │   └── Segmentation #存放物体分割的数据
    ├── JPEGImages  #存放所有的原始图片,包括训练图片和测试图片,共17125张彩色图片,2913张用于分割,“年份_编号.jpg”命名格式,横向图500*375左右,纵向图375*500左右,基本不会偏差超过100。
    ├── SegmentationClass #存放进行语义分割的真实label,标注出每一个像素的类别
    ├── SegmentationClassRaw #标注出物体的轮廓
    └── SegmentationObject #存放实例分割的真实label,标注出每一个像素属于哪一个物体

Annotations & JPEGImages

在这里插入图片描述

ImageSets
Action

在这里插入图片描述

Layout

在这里插入图片描述

Main

main

Segmentation

在这里插入图片描述

SegmentationClass & SegmentationClassRaw & SegmentationObject

在这里插入图片描述

CityScapes

在这里插入图片描述
CityScapes主要面向道路驾驶场景,它有30个精细的类别。其中有5000张图片进行了精细标注,精确到像素级别。还有20000张图片有粗糙的标注。它也可以提供语义层面和个体层面分割。

MS COCO

在这里插入图片描述
MS COCO是目前为止语义分割的最大数据集,提供的类别有80类,有超过33万张图片,其中20万张有标注,整个数据集中个体的数目超过150万个。

BSDS500

BSDS500 是Berkeley Segmentation Data Set and Benchmarks 500的缩写。
官网
在这里插入图片描述

参考资料

Pascal Voc数据集详细分析
PASCAL VOC 2012 数据集详解
Pascal VOC 数据集介绍
PASCAL VOC数据集分析
PASCAL VOC 2012数据集及其增强版介绍
浙大博士生刘汉唐:带你回顾图像分割的经典算法 | 分享总结
PASCAL VOC 数据集简介

使用 PyTorch 处理CUB200_2011数据集 最近在研究一些深度学习的东西,想找一些数据集,第一眼看到 CUB 的时候,就相中它了,数据集大小合适,类别还很多,关键还提供了目标检测的边框,不仅可以做分类,还可以做检测(虽然只是单目标检测~),感觉很酷,想研究一下。 CUB 数据集一共 200 个类别,共 11788 张图片,每张图片除包括类别标签外,还有一个标注的物体边框(Bounding Box)、关键点和一些其他属性,算是一个很细粒度的图像分类的数据集了。 阅读详情

相关推荐

【图像处理算法常用数据集】整理第二弹

图像类算法常用数据集整理第二弹,包括BSDS500、REDS、DIV2K、SIDD、Urban 100、Kodak、Sun、COCO 数据集介绍、来源文章、下载地址、制作机构。

qq_45790998的博客 5315

边缘检测BSDS500数据集处理|边缘检测评判标准-PR曲线

数据集下载下来以后label是以.m格式保存的,需要处理成.jpg或.png格式。

weixin_49183141的博客 3045

【公众号】基于弱监督深度学习的图像分割方法综述

本系列记录了博主为公众号【有三AI】撰写稿件的底稿。本文为基于弱监督深度学习的图像分割方法综述,更新于2019.03.16。 基于弱监督深度学习的图像分割方法综述基础概念为什么要弱监督学习常用的弱监督分割算法基于image-level tags的分割算法基于bounding boxes的分割算法语义分割实例分割全景分割参考文献 基础概念 图像分割的任务是对于图片中感兴趣的像素点按照要求赋予标注,比...

ShuqiaoS的博客 2830

入门ResNet,在Cub200数据集上复现Resnet50

1.背景问题 (1).如果只是单纯地把卷积层和池化层进行堆叠,造成的问题就会有梯度消失和梯度爆炸,梯度消失是指当在某一层进行BP的时候,误差为一个小于零的数,那不断相乘,就会趋近于零。梯度爆炸则是指某一层的开始误差都是大于1的数,直接相乘就会导致梯度爆炸。这种情况的处理方法就是对数据进行标准化处理和bn标准化处理特征图。 (2).退化问题就是本来训练到20层已经达到了99%,但是30层训练之后的正确率反而小于99%。resnet通过残差结构(就是那条捷径)解决了退化问题,使之层数增加,准确率是一直增加。所以

messyking的博客 5984

《计算机视觉》第四章 图像分割(概述)

该方法的主要创新点就是条件随机场部分,为了能够取得类似于传统条件随机场的全局优化效果,利用循环的方式将上一层的输出作为下一层的输入,其中采用的条件随机场架构是基于全局连接模型,图像分割的条件随机场推理的关键因素就是将类别标号问题转变成概率推理问题。扩张路径由2*2的反卷积实现,反卷积的输出通道为原来通道数的一半,与原来的特征图串联,从而得到和原来一样多的通道数的特征图。目标检测是在图像分类的基础上,进一步判断图像中的目标具体在图像的什么位置,通常是以包围盒(bounding box)的形式。

weixin_40064515的博客 705

DB-SAM:深入探索高质量的通用医疗图像分割

近期,分割任何事物模型(SAM)在各种下游分割任务中展现出了卓越的分割能力。然而,在通用医疗图像分割的背景下,由于自然图像与2D/3D医疗数据之间存在领域差异,直接应用SAM会导致显著的性能差异。在本研究中,我们提出了一种双分支适配的SAM框架,即DB-SAM,旨在有效弥合这一领域差异。我们的双分支适配SAM包含两个并行分支:一个ViT分支和一个卷积分支。ViT分支在每个冻结的注意力块之后融入了一个可学习的通道注意力块,用于捕捉特定领域的局部特征。

248

图像分割ap公式是什么_【图像分割模型】全景分割是什么?

这是专栏《图像分割模型》的第12篇文章。在这里,我们将共同探索解决分割问题的主流网络结构和设计思想。本文是专栏的最后一篇文章,见识过了分割任务中的大量模型,也了解了语义分割与实例分割,这篇文章我们一起来看一下新概念“全景分割”。作者 | 孙叔桥编辑 | 言有三本期论文《Panoptic Segmentation》1 全景分割与之前介绍的语义分割与实例分割不同,全景分割任务(Panoptic Seg...

weixin_33585889的博客 1815

基于UNet对DRIVE视网膜进行图像分割

DRIVE视网膜图像分割数据集DRIVE数据库用于对视网膜图像中的血管分割进行比较研究。它由40张照片组成,其中7张显示轻度早期糖尿病视网膜病变的迹象。相关图像均来自于荷兰的糖尿病视网膜病变筛查计划,其被用于视网膜图像中的血管分割比较研究。数据说明。

优快云 精品推荐 4752

【图像分割模型】全景分割是什么?

这是专栏《图像分割模型》的第12篇文章。在这里,我们将共同探索解决分割问题的主流网络结构和设计思想。 本文是专栏的最后一篇文章,见识过了分割任务中的大量模型,也了解了语义分割与实例分割,这篇文章我们一起来看一下新概念“全景分割”。 作者 | 孙叔桥 编辑 | 言有三 本期论文《Panoptic Segmentation》 1 全景分割 与之前介绍的语义分割与实例分割不同,全景...

hacker_long的专栏 4986

[Python从零到壹] 六十.图像识别及经典案例篇之基于阈值及边缘检测的图像分割

欢迎大家来到“Python从零到壹”,在这里我将分享约200篇Python系列文章,带大家一起去学习和玩耍。第一部分作者介绍了图像处理基础知识,第二部分介绍了图像运算和图像增强,接下来第三部分我们将详细讲解图像识别及图像处理经典案例,该部分属于高阶图像处理知识,能进一步加深我们的理解和实践能力。图像分割是将图像分成若干具有独特性质的区域并提取感兴趣目标的技术和过程,它是图像处理和图像分析的关键步骤。本文将重点围绕图像处理实例,详细讲解各种图像分割的方法。希望文章对您有所帮助,如果有不足之处,还请海涵。

杨秀璋的专栏 6321

BSD500数据集

BSD500数据集包括图像分割和轮廓提取的Ground Truth,训练集和测试集各200张,验证集100张。

【软件系统分析】数据仓库、数据挖掘、数据分析的联系与区别

是一个面向主题的(Subject-Oriented)、集成的(Integrated)、相对稳定的(Non-Volatile)、随着时间变化的(Time-Variant)数据集合,用于支持管理人员的决策分析过程。数据仓库从各种源系统(如数据库、文件、应用程序)中抽取数据,经过清洗、转换和整合,存储在统一的数据库中,供企业内的决策支持系统使用。

weixin_46453070的博客 1743

从轻量化到高精度:3DXML 转 STP 的工程数据升级技术指南

本文详细解析了3DXML转STP格式的工程数据升级技术,对比了两种格式在轻量化和高精度方面的特性差异,并提供了CATIA、FreeCAD及Python编程等多种专业级转换方案。通过实际案例展示了如何确保转换过程中的数据精度,适用于CAD设计、精密制造等场景,帮助工程师实现工程数据的高效升级。

weixin_29201859的博客 215

【图像分割模型】从FCN说起

今天开启新的专栏《图像分割模型》。在这里,我们将共同探索解决分割问题的主流网络结构和设计思想,这是第1篇文章。 今天要说的是占据了图像分割编解码结构大半江山的Fully Convolutional Network(FCN)。 作者 | 孙叔桥 编辑 | 言有三 1 什么是分割 分割,顾名思义,就是把一个完整的东西按照某种方式或规则分成若干个部分。 那么什么是图像分割呢?简单来...

hacker_long的专栏 5004

鸿蒙子系统解读-分布式软总线子系统初步研究(下)

鸿蒙子系统解读-分布式软总线子系统初步研究(下) 本文作者:江苏润和软件股份有限公司 郎建中 3.2. 数据传输 上一节我们看了PublishService()函数的代码实现过程。被发现端发布服务后,软总线回调发布成功的函数中,被发现端需要使用CreateSessionServer()来创建会话的服务器等待发现端的连接创建会话。下面我们就来分析CreateSessionServer()函数的实现过程。 数据传输部分的代码位于foundation/communication/services/softbus

weixin_47070198的博客 3091

ThingsBoard 仪表板状态

请先通过阅读仪表板概述和仪表板入门案例来熟悉ThingsBoard的仪表板。文章希望通过浅显的文字描述什么是仪表板状态及如何使用。 概念 状态功能使得仪表板可以分层,配合小部件的动作,实现多层仪表板之间的跳转.每个状态对应一个仪表板的图层 每个仪表板有一个默认的根状态, 根状态可以理解为默认状态, 也就是打开仪表板默认展示的仪表板图层.编辑模式下, 点击右上角的图标来管理状态.添加多个状态后左上角出现状态切换(图层切换)下拉列表可以通过选中根状态复选框切换新的默认展示的状态/图层配合小部件的动作,实现状

物联网三分钟 2312

图像分割基本内容简介

图像分割是将图像划分为具有语义意义的区域或物体的关键任务。传统方法包括阈值、边缘检测和区域生长等技术。近年来,基于深度学习的方法如FCN、U-Net、Mask R-CNN取得显著进展。应用广泛,涵盖人脸识别、医学影像处理、自动驾驶等领域。挑战在于处理复杂场景、提高精度和降低计算成本。跨学科合作和数据集标注是未来发展的重点。

m0_59812850的博客 1364

抖音__NS_sig3签名机制解析与动态Hook实战

在现代移动应用中,客户端与服务端之间的可信通信契约往往依赖于动态生成的请求签名,如抖音(某手)的__NS_sig3参数。该签名并非简单哈希,而是融合设备指纹、传感器数据、运行时上下文与轻量加密的综合摘要,体现了‘环境即凭证’的安全设计思想。其核心价值在于抵御静态伪造与批量模拟,提升接口调用的真实性与不可复用性。典型应用场景包括Feed流加载、点赞关注等关键业务接口的身份校验。本文基于真实逆向与Frida动态Hook实践,深入解析__NS_sig3的so层实现逻辑、JNI调用链路、输入参数真实性验证机制,以及

weixin_30127995的博客 376

图像分割总体介绍——深度AI科普团队

概览 初识图像分割 顾名思义,图像分割就是指将图像分割成多个部分。在这个过程中,图像的每个像素点都和目标的种类相关联。图像分割方法主要可分为两种类型:语义分割和实例分割。语义分割会使用相同的类标签标注同一类目标(下图左),而在实例分割中,相似的目标也会使用不同标签进行标注(下图右)。 图像分割模型的基本架构包括编码器与解码器。编码器通过卷积核提取图像特征。解码器负责输出包含物体轮廓的分割蒙版。 分割类别 图像分割(image segmentation):根据某些规则将图片分成若干个特定的、具有独特性质的

小白不白 6751

地瓜机器人RDK Studio使用入门教程

不知道大家在使用AI开发板的时候有没有遇到过板子官方镜像占据空间大难以保存,想要的时候找不到?官方示例项目久而久之便难以找寻?首次登陆开发板连接网络还需要准备显示器键盘鼠标外设繁杂?…为了解决平时开发过程中遇到的种种不便利问题,地瓜机器人创新的推出了RDK Studio这一官方开发者软件,使智能机器人开发迎来新纪元!通过这一软件极大降低了机器人的开发门槛,哪怕是零基础的用户亦可轻松上手RDK系列板卡!

xiongqi123123的博客 3432

巡检类机器人电池容量计算方法论(原理+算法+真实案例)

摘要:本文系统阐述了巡检机器人电池容量的计算方法,重点解析了;能量平衡;核心原理和三种主流算法。通过光伏电站履带式巡检机器人的真实案例,详细演示了从工况拆解、功耗采集到容量计算的完整流程。文章指出:室内轻载场景可采用静态平均功耗法,户外常规工况推荐动态负载积分法,而复杂环境需采用融合估算算法。特别强调需考虑温度修正(冬季容量衰减20%)、冗余系数(1.2-1.5)和放电深度(磷酸铁锂DoD取80%)等关键参数。

start_up_go的博客 243

如何利用 awesome-db-tools 实现零停机数据库迁移:终极指南

数据库迁移是现代应用开发中最具挑战性的任务之一。如何在保证系统持续可用的同时,安全地进行数据库模式变更?awesome-db-tools 项目汇集了各种强大的数据库工具,专门解决这类问题。本文将为您详细介绍如何利用其中的零停机迁移工具,让您的数据库升级过程丝滑顺畅。🚀 ## 为什么需要零停机数据库迁移? 在当今的互联网时代,用户期望服务能够7×24小时不间断运行。传统的数据库迁移方式往往需要

gitblog_00907的博客 1123

小红书直播弹幕采集

本文主要介绍小红书直播间弹幕的采集,便于进行直播数据监控与直播数据进行分析。

tdl320721的博客 2545

计算机视觉8:图像分割

图像分割是指把图像分成各具特征的区域,并提取出感兴趣目标的技术和过程。这里的特性可以是灰度、颜色、纹理等目标既可以对应于单个区域,也可以对应于多个区域。图像分割是由图像处理转到图像分析的关键。

KingGodZ的博客 2365

【如何利用扩展卡尔曼滤波解决跟踪毫米波雷达目标】

笛卡尔坐标系(非极坐标系):使用两个垂直的轴(通常是x轴和y轴)来确定一个点的位置。你沿着这两个轴移动确定的距离来找到这个点。极坐标系:使用一个角度和一个距离来确定一个点的位置。首先,你转到一个特定的方向(角度),然后沿着那个方向移动确定的距离来找到这个点。希望这个例子能帮助你理解两种坐标系的基本概念!

小秋 AI SLAM 入门实战教程 885

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

使用 Segment Anything 模型进行图像分割

一些大厂的UI自动化有一个环节是将UI上的各种按钮/区域/图片自动分隔出来,以便遍历或作他用,今天要介绍的这个大模型,就是干这件事的:

伤心的辣条 1563

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

上一篇: Linux--学习笔记
下一篇: “重构”黑洞--阅读笔记
studyeboy
博客等级 码龄15年 365粉丝 329原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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