CMP Facade DataSet 数据集、建筑物正面数据集 简介【 图像修复】

简介: 有效博文
🎉 声明: 作为全网 AI 领域 干货最多的博主之一,❤️ 不负光阴不负卿 ❤️

1-0

❤️ 【专栏:数据集整理】❤️ 之【有效拒绝假数据】
_
👋 Follow me 👋,一起 Get 更多有趣 AI、冲冲冲 🚀 🚀
Facade DataSet (建筑物正面数据集)

本博文数据集用途为:图像修复

该数据集其它用途:风格迁移

Facades(建筑物正面) 数据集介绍:

CMP Facade Database :Center for Machine Perception (CMP) Facade Database

  提供了在机器感知中心收集的正面图像的数据集,其中包括来自各种来源的606幅正面图像,这些图像已经过手动注释。建筑物正面来自世界各地的不同城市,建筑风格各异。

下载界面如下:

4-1

帮你看了看她(他)的模样:

在这里插入图片描述

数据集官网链接:

数据集官网:
找到的一个数据发布方:
  • http://cmp.felk.cvut.cz/new_pages/
  • Center for Machine Perception (CMP) is a virtual research center at the Czech Technical University in Prague.
  • 机器感知中心(CMP)是位于布拉格的捷克技术大学的虚拟技术研究中心;

Content 【图片 + labels 格式】

  • CMP-base dataset, 374 images
  • Image data: *.jpg
  • Object annotation: *.xml
  • Pixelwise labels: *.png
  • Label definition: label_names.txt
  • line format: [label_id] [class_name] [label_z_order]

Documentation

annotation principles for 12 classes
facade 
molding
cornice
pillar
window
door
sill
blind
balcony
shop
deco
background

快速获取数据集渠道如下

搜索关注本博客同名公号,公号后台,回复 20201224 获取本博文 CMPFacade 云盘下载链接:
20201224

📙 博主 AI 领域八大干货专栏、诚不我欺

📙 预祝各位 前途似锦、可摘星辰

🎉 作为全网 AI 领域 干货最多的博主之一,❤️ 不负光阴不负卿 ❤️
❤️ 过去的一年、大家都经历了太多太多、祝你披荆斩棘、未来可期
  • 📆 最近更新:2022年1月23日
  • 🍊 点赞 👍 收藏 ⭐留言 📝 都是博主坚持写作、更新高质量博文的最大动力!
  • 🍊 当前博主的主要创作领域如下、全网统一ID: 墨理学AI

image.png

目录
相关文章
|
安全 Linux iOS开发
Anaconda下载及安装保姆级教程(详细图文)
Anaconda下载及安装保姆级教程(详细图文)
37958 1
Anaconda下载及安装保姆级教程(详细图文)
|
机器学习/深度学习 编解码 自然语言处理
Vision Transformer 必读系列之图像分类综述(二): Attention-based(上)
Transformer 结构是 Google 在 2017 年为解决机器翻译任务(例如英文翻译为中文)而提出,从题目中可以看出主要是靠 Attention 注意力机制,其最大特点是抛弃了传统的 CNN 和 RNN,整个网络结构完全是由 Attention 机制组成。为此需要先解释何为注意力机制,然后再分析模型结构。
1730 0
Vision Transformer 必读系列之图像分类综述(二): Attention-based(上)
|
关系型数据库 MySQL Linux
MySQL数据库----------安装anaconda---------python与数据库的链接
MySQL数据库----------安装anaconda---------python与数据库的链接
774 0
|
机器学习/深度学习 人工智能 算法
Python+YOLO v8 实战:手把手教你打造专属 AI 视觉目标检测模型
本文介绍了如何使用 Python 和 YOLO v8 开发专属的 AI 视觉目标检测模型。首先讲解了 YOLO 的基本概念及其高效精准的特点,接着详细说明了环境搭建步骤,包括安装 Python、PyCharm 和 Ultralytics 库。随后引导读者加载预训练模型进行图片验证,并准备数据集以训练自定义模型。最后,展示了如何验证训练好的模型并提供示例代码。通过本文,你将学会从零开始打造自己的目标检测系统,满足实际场景需求。
16058 1
Python+YOLO v8 实战:手把手教你打造专属 AI 视觉目标检测模型
|
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)
|
机器学习/深度学习 算法 数据可视化
基于QLearning强化学习的机器人避障和路径规划matlab仿真
本文介绍了使用MATLAB 2022a进行强化学习算法仿真的效果,并详细阐述了Q-Learning原理及其在机器人避障和路径规划中的应用。通过Q-Learning算法,机器人能在未知环境中学习到达目标的最短路径并避开障碍物。仿真结果展示了算法的有效性,核心程序实现了Q表的更新和状态的可视化。未来研究可扩展至更复杂环境和高效算法。![](https://ucc.alicdn.com/pic/developer-ecology/nymobwrkkdwks_d3b95a2f4fd2492381e1742e5658c0bc.gif)等图像展示了具体仿真过程。
925 0
|
并行计算 PyTorch 编译器
|
机器学习/深度学习 人工智能 自然语言处理
【机器学习】python之人工智能应用篇——3D生成技术
在Python中,人工智能(AI)与3D生成技术的结合可以体现在多个方面,比如使用AI算法来优化3D模型的生成、通过机器学习来预测3D模型的属性,或者利用深度学习来生成全新的3D内容。然而,直接通过AI生成完整的3D模型(如从文本描述中生成)仍然是一个活跃的研究领域。 3D生成技术是一种通过计算机程序从二维图像或文本描述自动创建三维模型的过程。这一技术在近年来得到了飞速的发展,不仅为游戏、动画和影视行业带来了革命性的变革,还在虚拟现实、增强现实以及工业设计等多个领域展现出了巨大的应用潜力
702 2
|
机器学习/深度学习 算法 搜索推荐
基于深度学习的图像风格转换技术
【5月更文挑战第31天】 在数字图像处理领域,风格转换技术已从传统算法演变至以深度学习为核心的智能化方法。本文深入探讨了基于卷积神经网络(CNN)的图像风格转换技术,分析了其核心原理、关键技术及应用前景。通过引入感知损失与风格损失的概念,实现了图像内容与风格的解耦和重组,使得源图像能够获得目标风格特征。此外,文章还讨论了目前技术面临的主要挑战,包括风格迁移的精度、效率以及多样化问题,并提出了潜在的改进方向。

热门文章

最新文章