【语义分割】 |
您所在的位置：网站首页 › voc数据集和coco数据集区别 › 【语义分割】 |
【语义分割】
|
链接： ADE20K/ 简介： 图片包含室内和室外数据集，上图是一些例图 场景： 场景比较丰富：室内，室外，自然场景等。单张场景的类别也较多。 特点： 训练集：20210张图片验证集：200张共150个类别（但是语义标注的时候，像素点不能全面覆盖，存在偶尔有点漏掉的现象，于是标注的时候会多一个 “0” 类别，不计入loss的计算，但是网络的输出只有150个类别）语义信息的标注是在一张灰度图像上的，只是各个点的取值范围是(0-150, 0表示背景类，不计入loss计算)类别文件就不全贴出来了。 background 背景 wall 墙 building 建筑 sky 天空 floor 地板 tree 树 ceiling 天花板 road 路 bed 床 windowpane 窗玻璃 grass 草地 cabinet 柜子 sidewalk 人行道 person 人 earth 地 door 门 table 桌子 ... 2. cityScapes简介： Cityscapes数据集中于城市街道场景的语义理解 特点： 5000张像素级标注图片，20000张弱标注图片数据集共有30个类别采集自50个不同的城市不同的月份（春夏秋）白天好、中好天气单张图片中有多个物体，不同的场景布局，不同的背景标注原则 有标记的前景对象绝对不能有洞，也就是说，如果有一些通过前景对象可见的背景，它就被认为是前景的一部分。这也适用于与两个或更多类高度混合的区域:它们被标记为前景类。例如:房子前面的树叶或天空(everything tree)，透明的车窗(everything car)。 类别定义 GroupClassesflatroad · sidewalk · parking+ · rail track+humanperson* · rider*vehiclecar* · truck* · bus* · on rails* · motorcycle* · bicycle* · caravan*+ · trailer*+constructionbuilding · wall · fence · guard rail+ · bridge+ · tunnel+objectpole · pole group+ · traffic sign · traffic lightnaturevegetation · terrainskyskyvoidground+ · dynamic+ · static+粗糙标注 为20000张图片提供了粗糙的多边形标注。同样，重叠的颜色对语义类进行编码(参见类定义)。注意，我们的目标不是注释单个实例，但是，我们标记了覆盖单个对象的多边形。 cityscape标签与label的对应关系 /home/zzp/SSD_ping/anaconda3/envs/z1/bin/python /home/zzp/SSD_ping/my-root-path/My-core-python/pytorch-deeplabV3+/cityscapesScripts-master/cityscapesscripts/helpers/labels.py List of cityscapes labels: # Please adapt the train IDs as appropriate for your approach. # Note that you might want to ignore labels with ID 255 during training. # Further note that the current train IDs are only a suggestion. You can use whatever you like. # Make sure to provide your results using the original IDs and not the training IDs. # Note that many IDs are ignored in evaluation and thus you never need to predict these! name | id | trainId | category | categoryId | hasInstances | ignoreInEval| color -------------------------------------------------------------------------------------------------- unlabeled | 0 | 255 | void | 0 | 0 | 1 | (0, 0, 0) ego vehicle | 1 | 255 | void | 0 | 0 | 1 | (0, 0, 0) rectification border | 2 | 255 | void | 0 | 0 | 1 | (0, 0, 0) out of roi | 3 | 255 | void | 0 | 0 | 1 | (0, 0, 0) static | 4 | 255 | void | 0 | 0 | 1 | (0, 0, 0) dynamic | 5 | 255 | void | 0 | 0 | 1 | (111, 74, 0) ground | 6 | 255 | void | 0 | 0 | 1 | (81, 0, 81) road | 7 | 0 | flat | 1 | 0 | 0 | (128, 64, 128) sidewalk | 8 | 1 | flat | 1 | 0 | 0 | (244, 35, 232) parking | 9 | 255 | flat | 1 | 0 | 1 | (250, 170, 160) rail track | 10 | 255 | flat | 1 | 0 | 1 | (230, 150, 140) building | 11 | 2 | construction | 2 | 0 | 0 | (70, 70, 70) wall | 12 | 3 | construction | 2 | 0 | 0 | (102, 102, 156) fence | 13 | 4 | construction | 2 | 0 | 0 | (190, 153, 153) guard rail | 14 | 255 | construction | 2 | 0 | 1 | (180, 165, 180) bridge | 15 | 255 | construction | 2 | 0 | 1 | (150, 100, 100) tunnel | 16 | 255 | construction | 2 | 0 | 1 | (150, 120, 90) pole | 17 | 5 | object | 3 | 0 | 0 | (153, 153, 153) polegroup | 18 | 255 | object | 3 | 0 | 1 | (153, 153, 153) traffic light | 19 | 6 | object | 3 | 0 | 0 | (250, 170, 30) traffic sign | 20 | 7 | object | 3 | 0 | 0 | (220, 220, 0) vegetation | 21 | 8 | nature | 4 | 0 | 0 | (107, 142, 35) terrain | 22 | 9 | nature | 4 | 0 | 0 | (152, 251, 152) sky | 23 | 10 | sky | 5 | 0 | 0 | (70, 130, 180) person | 24 | 11 | human | 6 | 1 | 0 | (220, 20, 60) rider | 25 | 12 | human | 6 | 1 | 0 | (255, 0, 0) car | 26 | 13 | vehicle | 7 | 1 | 0 | (0, 0, 142) truck | 27 | 14 | vehicle | 7 | 1 | 0 | (0, 0, 70) bus | 28 | 15 | vehicle | 7 | 1 | 0 | (0, 60, 100) caravan | 29 | 255 | vehicle | 7 | 1 | 1 | (0, 0, 90) trailer | 30 | 255 | vehicle | 7 | 1 | 1 | (0, 0, 110) train | 31 | 16 | vehicle | 7 | 1 | 0 | (0, 80, 100) motorcycle | 32 | 17 | vehicle | 7 | 1 | 0 | (0, 0, 230) bicycle | 33 | 18 | vehicle | 7 | 1 | 0 | (119, 11, 32) license plate | -1 | -1 | vehicle | 7 | 0 | 1 | (0, 0, 142) Example usages: ID of label 'car': 26 Category of label with ID '26': vehicle Name of label with trainID '0': road 3. VOC12_AUG简介： 是基于voc扩充的一个语义分割数据集。其组成可参考:PASCAL VOC 2012 and SBD (the augment dataset) 总结 地址： Semantic Boundaries Dataset and Benchmark 特点: 数据集比较大单张图片中物体数量相对较少场景和voc数据集的场景很像训练集10582，val：1449类别也是继承自voc，共20个类别
4. InteriorNet
来源: 帝国理工和酷家乐 简介： 包含2200万室内场景，涵盖这些场景的3D、全景、灯光、语义、景深等多种不同样式，可用于深度学习训练和SLAM基准测试，无需手动标注。 场景： 真实世界的家具，整体的设计风格也和真实世界中的室内场景相同 需要邮件确认，还无法下载 5. indoor
没有总的label，标注格式需要处理 6. other建筑： 墙，地板，天花板，门，楼梯，自动扶梯 家具： 桌子，椅子/长椅，柜子，盆栽(植物)？ 人 问题： 前台/服务台？ 没有标签label/数据 卫生间，××间？ 区别不大，特征不明显，无数据 其他 这个数据集用什么工具标注 |
简介： 该数据库包含67个室内类别，共计15620张图片。不同类别的图像数量不同，但每个类别至少有100幅图像。所有图片均为jpg格式。【本文地址】
今日新闻 |
推荐新闻 |