image annotation

大家好 我现在研究的方向是图像标注,我现在关注的数据集,是Corel5K,IAPRTC12,ESPGAME。近几年一些算法主要在NUS-WIDE ,MS-COCO数据集上,我在的实验室没有人做过image annotation 。交流很少,同时算法的代码很少。我希望通过此博客,认识一些做此方向的同学,分享一下代码的资源,同时互相讨论,互相进步。

Corel 5K 
Paper: P. Duygulu, K. Barnard, J. F. de Freitas, and D. A. Forsyth. Object recognition as machine translation: Learning a lexicon for a fixed image vocabulary. In ECCV, 2002.

https://github.com/watersink/Corel5K

这个是在gitub上查找的。

ESP Game 
Paper: L. Von Ahn and L. Dabbish. Labeling images with a computer game. In SIGCHI Conference on Human Factors in Computing Systems, 2004. 
http://hunch.net/~learning/ESP-ImageSet.tar.gz

 

IAPRTC-12 
http://www.imageclef.org/photodata

 

NUS-WIDE图片需要urls下载,通过gitub找到了一个链接,非常感谢分享者,特此放上链接:http://cs-people.bu.edu/hekun/data/TALR/NUSWIDE.zip  来源 :https://github.com/kunhe/TALR/tree/master/data/NUSWIDE 

 

有效的算法连接,参考来源:https://blog.youkuaiyun.com/LiJiancheng0614/article/details/48180403?locationNum=13&fps=1

MethodLink
TagProp(σML)http://lear.inrialpes.fr/people/guillaumin/code.php#tagprop
Group Sparsityhttp://ranger.uta.edu/~huang/codes/annotation_corel.zip
the quirks and what workshttps://github.com/ayushidutta/image-annot-quirks
FastTaghttp://www.cse.wustl.edu/~mchen/
  
SKL-CRMhttps://github.com/sjmoran/sklcrm

 

 

### Envision 图像标注文本格式的使用说明 Envision 是一种用于图像标注的文件格式,主要用于描述图像中的对象及其属性。这种格式通常被设计成易于解析和处理的形式,以便于机器学习模型训练或其他计算机视觉应用。 #### 文件结构概述 Envision 的标注文件通常是纯文本形式,每行表示一个单独的对象实例。每一行由多个字段组成,这些字段通过特定分隔符(如逗号、空格或制表符)分开。常见的字段包括但不限于: - **类别标签 (Class Label)**:指定该对象所属的类别名称。 - **边界框坐标 (Bounding Box Coordinates)**:定义矩形区域的位置和大小,一般采用 `(x_min, y_min)` 和 `(x_max, y_max)` 或者中心点加宽高 `(center_x, center_y, width, height)` 表示[^1]。 - **置信度分数 (Confidence Score)**:可选字段,在某些情况下用来评估检测算法对该目标预测的信心程度[^2]。 下面是一个典型的 Envision 格式的例子: ```plaintext person 0.30 0.45 0.70 0.85 car 0.10 0.20 0.50 0.60 ``` 此处,“`person`”代表人类这一类别的物体;四个数值分别对应其所在图片内的位置信息——左下角起点横纵比例以及右上终点相对应的比例值[^3]。 #### Python 解析脚本样例 为了帮助理解如何读取并操作此类数据格式,这里提供了一段简单的 python 脚本来展示基本功能实现方式: ```python def parse_envision(file_path): annotations = [] with open(file_path, 'r') as f: lines = f.readlines() for line in lines: parts = line.strip().split(' ') class_label = parts[0] bbox_coords = list(map(float, parts[1:])) entry = { "class": class_label, "bbox": bbox_coords } annotations.append(entry) return annotations if __name__ == "__main__": file_path = "./example.env" data = parse_envision(file_path) print(data) ``` 此函数 `parse_envision()` 将给定路径下的 envision 文本文件转换为包含字典列表的数据结构,其中每个字典都保存了一个独立的目标物的相关信息[^4]。 #### 注意事项 当实际运用时需要注意几个方面的问题: - 数据一致性检查非常重要,因为错误或者不完整的记录可能会导致后续分析失败; - 不同项目可能对具体细节有不同的约定俗成做法,比如是否允许负数作为坐标的一部分等等; - 如果涉及到多张图片,则还需要额外维护一张映射关系表格来关联各个 envionment 文件与其对应的原始素材文件名之间的一一对应关系[^5]。
评论 25
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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