UCSD异常检测数据集

USCD行人异常数据集使用指南 | 快速下载 数据集介绍 UCSD是一个行人异常检测数据集(官网:http://www.svcl.ucsd.edu/projects/anomaly/dataset.htm)。通过安装在高程处的固定摄像头获取,可俯瞰人行道。 数据被拆分为 2 个子集,每个子集对应于不同的场景。从每个场景录制的视频片段被分成大约200帧的各种剪辑。 Peds1:一群人走向和远离相机的片段,以及一定程度的透视失真。包含 34 个train视频示例和 36 个test视频示例。 Peds2:行人平行于摄像机平面移动的场景。包含 16 个tra 阅读详情
AI摘要

UCSD异常检测数据集由固定摄像机捕获,记录校园人行道上行人及异常事件,如非人行道物体流通和异常行人运动。数据分为两个子集,每个子集对应不同场景,用于训练和测试算法识别异常能力。

UCSD异常检测数据集

UCSD异常检测数据集是通过学校中固定在较高位置上的摄像机获得的,俯瞰人行道。走道中的人群密度是变化的,从稀疏到非常拥挤。在正常设置中,视频仅包含行人。异常事件是由以下两种情况引起的:

  • 非人行道物体在人行道上的流通(如:卡车,自行车)

  • 异常的行人运动模式(如:从草坪中穿过,跑步)

常见的异常现象包括:骑自行车的人,滑冰运动员,小推车,以及走过人行道或周围草地的人。还记录了一些坐轮椅的人。所有异常都是自然发生的,即它们不是为了组装数据集而分阶段的。数据被分成2个子集,每个子​​集对应于不同的场景。从每个场景记录的视频片段被分成大约200帧的各种片段。

  • Peds1:走向和远离相机的人群剪辑,以及一些透视失真。包含34个培训视频样本和36个测试视频样本。
  • Peds2:行人移动平行于相机平面的场景。包含16个培训视频样本和12个测试视频样本。

对于每个剪辑,地面实况注释包括每帧的二进制标记,指示在该帧处是否存在异常。此外,Peds1的10个剪辑和Peds2的12个剪辑的子集提供有手动生成的像素级二进制编码,其识别包含异常的区域。这旨在使得能够评估关于算法定位异常的能力的性能。

数据集下载:

http://www.svcl.ucsd.edu/projects/anomaly/UCSD_Anomaly_Dataset.tar.gz

Examples of Anomalies

在这里插入图片描述

Caltech-UCSD Birds-200-2011 Caltech-UCSD Birds-200-2011(CUB-200-2011)是CUB-200数据集的扩展版本,每个类的图像数量大约增加了一倍,并带有新的局部位置注释。5. train_test_split.txt:记录数据集的训练集和测试集划分,格式为 3. image_class_labels.txt:包含每张图片对应的类别序号,格式为 包含200个类别的所有鸟类数据集。...... 阅读详情

相关推荐

视频异常检测 5 大经典数据集:UMN/UCSD/ShanghaiTech 等场景与标注格式详解

本文深入解析视频异常检测领域的五大经典数据集(UMN/UCSD/ShanghaiTech等),详细对比其场景特性、标注格式及数据处理方法。针对不同应用场景提供数据集选择指南,并分享实战代码和模型优化策略,助力开发者构建高效的视频异常检测系统。

weixin_33881140的博客 583

pytorch学习(一)数据加载之前的预处理(UCSD数据集)

最近在做有关视频异常检测方面的实验,需要用到UCSD数据集,pytorch自定义加载自己的数据集时需要将自己的数据的路径以及标签存放到txt文档中,方便后续的数据加载。 最后我会给出生成好的UCSD数据集txt文档下载链接,有需要的可以自行下载。 1、UCSD异常检测数据集 UCSD数据集是通过固定摄像头俯瞰人行道拍摄的,它有两个子文件夹,分别是UCSDped1和UCSDped2,每个文件夹下都有剪辑好的视频片段,每个视频片段大约在200帧左右。所有的训练样本都是正常样本,每一个测试片段都会包含某些异常帧,

三个火枪手的博客 4154

视频异常检测数据集 UMN/UCSD/ShanghaiTech 等 7 款对比:场景、规模与标注差异

本文全面评测了视频异常检测领域的7大核心数据集,包括UMN、UCSD、ShanghaiTech等,详细分析了各数据集的场景、规模与标注差异。从实验室研究到工业落地,提供了关键选择指南,帮助研究者和开发者根据需求选择最适合的数据集,提升异常检测模型的性能和泛化能力。

weixin_33769125的博客 507

UCSD 数据集

Ground truth annotations for UCSD dataset 说明

qq_21274223的博客 6364

视频异常检测 5 大经典数据集实战对比:UCSD Ped2 vs CUHK Avenue vs Street Scene

本文深入对比分析了视频异常检测领域的五大经典数据集,包括UCSD Ped2、CUHK Avenue和Street Scene等,从场景复杂度、异常类型和标注质量等多维度进行实战评估。通过详细的数据集特性解析和计算效率测试,为研究者和工程师提供选型指导,帮助优化算法在智能监控和安防领域的应用效果。

weixin_33800463的博客 409

视频异常检测 5 大经典数据集对比:UCSD Ped2 vs CUHK Avenue vs Street Scene 性能基准

本文深入对比了视频异常检测领域的五大经典数据集——UCSD Ped2、CUHK Avenue、ShanghaiTech和Street Scene,分析了它们在分辨率、异常类型和挑战点上的差异。通过性能基准测试,揭示了不同算法在各数据集上的表现,为开发者提供了场景匹配和算法选型的实用指南,助力智能安防技术的优化与创新。

weixin_34211761的博客 494

行人异常检测必看:UCSD数据集Peds1/Peds2子集深度对比与选择建议

本文深入对比了UCSD行人异常数据集的Peds1和Peds2子集,从视角特性、异常类型分布、标注粒度等7个维度揭示关键差异,并提供3种典型场景下的选型策略。针对计算机视觉领域的行人异常检测任务,详细分析了不同算法在两个子集上的表现差异,帮助研究者根据项目需求选择最适合的数据集子集,提升模型性能评估的准确性。

weixin_42625070的博客 323

视频异常检测数据集整理

UCSD异常检测数据集 相关介绍来自原文地址 包含Ped1、Ped2两个子数据集.数据集中的异常事件包括:汽车、骑自行车、滑滑板、踩踏草坪等。 数据集下载:http://www.svcl.ucsd.edu/projects/anomaly/UCSD_Anomaly_Dataset.tar.gz CUHK Avenue 数据集 这个数据集包含16个训练和21个测试视频片段。视频总共包含30652帧。训练视频包含正常情况下的视频。测试视频包含标准和异常事件视频。 数据集下载链接:http://www.c..

大侠isme 5105

视频异常检测数据集总结

视频异常检测数据集介绍与下载,会更新。

唐人的博客 8673

视频监控 智能交通 数据集(目标检测、跟踪)

前言 总结一下视频监控的数据集,用于目标检测、跟踪。 一、UA-DETRAC 数据集 UA-DETRAC是一个具有挑战性的真实世界多目标检测和多目标跟踪基准。该数据集包括在中国北京和天津的24个不同地点使用Cannon EOS 550D相机拍摄的10小时视频。视频以每秒25帧(fps)的速度录制,分辨率为960×540像素。UA-DETRAC数据集中有超过14万个帧,手动注释了8250个车辆,总共有121万个标记的对象边界框。官方还对目标检测和多目标跟踪中的最新方法以及本网站中详述的评估指标进行基

黎国溥 3万+

UCSD 人群密度监测数据集数据集

UCSD Pedestrian 是一个人群密度监测数据集,用以测试开放环境中动态监测人群数量及密度的算法效果。

一些用于拥挤场景的异常检测的视频数据集

UCSD Anomaly Detection Dataset http://www.svcl.ucsd.edu/projects/anomaly/dataset.htm UCSD(加州圣地亚哥大学分校)异常检测数据集 UCSD异常检测数据集是通过安装在高处的固定摄像机获取的,该摄像机可以俯瞰人行道。人行道上的人群密度是可变的,从稀疏到非常拥挤。在正常设置下,视频只包含行人。异常事件是由以下两个原因引起的: 1. 非行人实体在人行道上的流通 2.异常的行人运动模式 通常发生的异常包括骑自行车的人,滑冰的.

Tang_Klay的博客 2069

人工智能-高速公路-卡口车辆监控视频-视频数据集-拥堵识别

高速公路卡口监控,车辆监控视频,交通车辆视频数据集,用于机器学习,模型训练,高速公司拥堵识别应用等

异常检测数据集收集与介绍分析

在计算机视觉的大研究领域内,有一个小方向叫做异常检测(Anomaly Detection),也叫做新颖性检测。在该方向下有以下的数据集作为大家所提出的新的研究方法的检测精度的测试。 UCSD异常检测数据集:视频–>图片 数据集链接地址:http://www.svcl.ucsd.edu/projects/anomaly/UCSD_Anomaly_Dataset.tar.gz 视频数据是通过学校中固定在较高位置上的摄像机获得的,俯瞰人行道。走道中的人群密度是变化的,从稀疏到非常拥挤。按照数据集的规定,正常

qq_45496282的博客 1万+

AI-视频监控-数据集-城市交通4车道高清视频

人工智能,机器学习,城市交通,卡口监控视频,车辆监控视频,AI-视频监控-数据集-城市交通4车道高清视频

计算机视觉之图像数据集:UCSD异常检测数据集

UCSD 异常检测数据集是通过安装在高处的固定相机获取的,可以俯瞰人行道。人行道上的人群密度各不相同,从稀疏到非常拥挤。在正常设置中,视频仅包含行人。异常事件是由于: 人行道中非行人实体的流通 异常的行人运动模式常见的异常包括骑自行车的人、滑冰的人、小推车,以及在人行道上或在人行道周围的草地上行走的人。还记录了一些坐在轮椅上的人的情况。所有异常都是自然发生的,即它们不是为了组装数据集而上演的。数据被分成 2 个子集,每个子​​集对应一个不同的场景。从每个场景录制的视频片段被分成大约 200 帧的各种片段。 Peds1:一群人走向和远离相机的剪辑,以及一些透视失真。包含 34 个训练视频样本和 36 个测试视频样本。 Peds2:行人移动平行于相机平面的场景。包含 16 个训练视频样本和 12 个测试视频样本。 对于每个剪辑,ground truth 注释包括每帧一个二进制标志,指示该帧是否存在异常。此外,Peds1 的 10 个剪辑和 Peds2 的 12 个剪辑的子集提供了手动生成的像素级二进制掩码,用于识别包含异常的区域。这是为了能够根据算法定位异常的能力来评估性能。

【行为异常检测-论文阅读笔记(1)】ABNORMAL EVENT DETECTION IN VIDEOS USING GENERATIVE ADVERSARIAL NET

最近准备对有关基于GAN的视频行为异常检测的一些论文进行详细阅读,顺便做个笔记~ 目录 主要思路 学习正常行为 异常检测过程 实验结果 个人收获 这篇文章是来自ICIP2017的文章,属于比较老的文章了。 其是受到了图像转换的启发,通过比较原始帧与其optical-flow的转换差异来判断异常,也是属于重构这一方法下的,以及使用了两个CGAN。接下来就详细记录一下阅读该论文的笔记。 主要思路 该论...

Zk_ZhangK的博客 1269

UCSD Pedestrian 行人视频数据集.7z

UCSD Pedestrian 数据集包含 UCSD 加州大学圣地亚哥分校的行人录像视频,所有视频文件皆由两个观测点摄像头所拍摄,视频规格压缩为 238×158 10fps。vidf 文件可用于行人动作检测,另外拥挤度检测可从 segm 目录下.segm 获取。

上一篇: Python的numpy中常用函数的详细介绍
下一篇: Markdown - 如何给文本加下划线
yipala
博客等级 码龄8年 90粉丝 48原创
评论 8
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