Dataset之ADE20k:ADE20k数据集的简介、安装、使用方法之详细攻略

简介: Dataset之ADE20k:ADE20k数据集的简介、安装、使用方法之详细攻略

ADE20k数据集的简介


image.png


     ADE20k拥有超过25,000张图像(20ktrain,2k val,3ktest),这些图像用开放字典标签集密集注释。对于2017 Places Challenge 2,选择了覆盖89%所有像素的100个thing和50个stuff类别。在本研究中作者使用后者这个封闭的词汇表。


官网:http://groups.csail.mit.edu/vision/datasets/ADE20K/



1、数据集组成


Training set:20.210 images (browse)

All images are fully annotated with objects and, many of the images have parts too.


Validation set:2.000 images (browse)

Fully annotated with objects and parts


Test set:Images to be released later.


Consistency set:64 images and annotations used for checking the annotation consistency (download)


2、图片和注释


每个文件夹包含按场景类别(与位置数据库相同的场景类别)分隔的图像。对于每个图像,对象和部分分段存储在两个不同的png文件中。所有对象和部分实例都是稀疏注释的。



3、每幅图像下的文件


* . jpg:RGB图像。

* _seg.png:对象分割掩码。此图像包含有关对象类分割掩码的信息,还将每个类分隔为实例。通道R和G编码对象类掩码。通道B对实例对象掩码进行编码。loadAde20K的函数。m提取两个掩模。

* _seg_parts_N.png:零件分割掩码,其中N是一个数字(1,2,3,…),表示零件层次结构中的级别。部件被组织在一个树中,其中对象由部件组成,部件也可以由部件组成,部件的部件也可以有部件。level N表示部件树中的深度。级别N=1对应于对象的各个部分。所有的部件分割都具有与对象分割掩码相同的编码,类在RG通道中编码,实例在B通道中编码。使用loadAde20K函数。提取部分分割掩码,并将同一类的实例分离。

* _.txt:描述每个图像(描述对象和部件)内容的文本文件。此信息与其他文件是冗余的。但另外还包含有关对象属性的信息。loadAde20K的函数。m还解析这个文件的内容。文本文件中的每一行包含:列1=实例号,列2=部件级别(对象为0),列3=遮挡(true为1),列4=类名(使用wordnet解析),列5=原始名称(可能提供更详细的分类),列6=逗号分隔的属性列表。



ADE20k数据集的安装


更新……



ADE20k数据集的使用方法


1、该论文中使用了ADE20k数据集


DL之Panoptic Segmentation:Panoptic Segmentation(全景分割)的简介(论文介绍)、全景分割挑战简介、案例应用等配图集合之详细攻略

https://yunyaniu.blog.csdn.net/article/details/100387821


 


相关文章
|
数据处理 开发工具 git
coco2017数据集转换为yolo格式(记录过程)
最近做一个yolov5的落地应用项目,用的anylabeling打标,需要将coco2017的数据集转为yolo格式,故写下记录过程!
|
机器学习/深度学习 人工智能 自然语言处理
视觉 注意力机制——通道注意力、空间注意力、自注意力
本文介绍注意力机制的概念和基本原理,并站在计算机视觉CV角度,进一步介绍通道注意力、空间注意力、混合注意力、自注意力等。
16707 58
|
机器学习/深度学习
普通卷积、分组卷积和深度分离卷积概念以及参数量计算
普通卷积、分组卷积和深度分离卷积概念以及参数量计算
2674 0
普通卷积、分组卷积和深度分离卷积概念以及参数量计算
|
机器学习/深度学习 算法 PyTorch
论文阅读笔记 | 目标检测算法——DETR
论文阅读笔记 | 目标检测算法——DETR
2617 0
论文阅读笔记 | 目标检测算法——DETR
|
9月前
|
机器学习/深度学习 人工智能 算法
无人机角度的道路损害检测数据集(7000张图片已划分、已标注)| AI训练适用于目标检测任务
基于无人机视角的道路损害检测,是智能交通与智慧城市建设的重要组成部分。本文介绍的数据集,从真实巡检场景出发,覆盖典型道路病害类型,为目标检测算法在复杂环境下的验证与落地提供了坚实基础。 随着无人机平台、传感器精度及深度学习算法的持续演进,结合此类高质量数据集的研究,将进一步推动道路养护从“被动响应”向“主动预防”转变。
无人机角度的道路损害检测数据集(7000张图片已划分、已标注)| AI训练适用于目标检测任务
|
机器学习/深度学习 传感器 编解码
史上最全 | 基于深度学习的3D分割综述(RGB-D/点云/体素/多目)(上)
3D目标分割是计算机视觉中的一个基本且具有挑战性的问题,在自动驾驶、机器人、增强现实和医学图像分析等领域有着广泛的应用。它受到了计算机视觉、图形和机器学习社区的极大关注。传统上,3D分割是用人工设计的特征和工程方法进行的,这些方法精度较差,也无法推广到大规模数据上。在2D计算机视觉巨大成功的推动下,深度学习技术最近也成为3D分割任务的首选。近年来已涌现出大量相关工作,并且已经在不同的基准数据集上进行了评估。本文全面调研了基于深度学习的3D分割的最新进展,涵盖了150多篇论文。论文总结了最常用的范式,讨论了它们的优缺点,并分析了这些分割方法的对比结果。并在此基础上,提出了未来的研究方向。
史上最全 | 基于深度学习的3D分割综述(RGB-D/点云/体素/多目)(上)
|
12月前
|
数据采集 人工智能 自然语言处理
Meta SAM3开源:让图像分割,听懂你的话
Meta发布并开源SAM 3,首个支持文本、点、框等提示进行图像与视频分割的统一基础模型,突破传统限制,实现开放词汇概念的精准识别与跟踪,涵盖超400万独特概念,推动视觉分割新发展。
3445 6
|
JSON 算法 vr&ar
目标检测笔记(五):查看通过COCOEvaluator生成的coco_instances_results.json文件的详细检测信息,包含AP、AR、MR和DR等
本文介绍了如何使用COCO评估器通过Detectron2库对目标检测模型进行性能评估,生成coco_instances_results.json文件,并利用pycocotools解析该文件以计算AP、AR、MR和DR等关键指标。
1526 1
目标检测笔记(五):查看通过COCOEvaluator生成的coco_instances_results.json文件的详细检测信息,包含AP、AR、MR和DR等
|
算法 PyTorch 算法框架/工具
Pytorch学习笔记(九):Pytorch模型的FLOPs、模型参数量等信息输出(torchstat、thop、ptflops、torchsummary)
本文介绍了如何使用torchstat、thop、ptflops和torchsummary等工具来计算Pytorch模型的FLOPs、模型参数量等信息。
3572 2