[ملخص مجموعات بيانات تقسيم الصور] تم إصدار Byte COCONut، الذي تم اختياره لـ CVPR 2024، جرب Segment Anything الآن!
مع التطور المستمر لتكنولوجيا الرؤية الحاسوبية، أظهرت عملية تقسيم الصور قيمة تطبيقية مهمة في العديد من المجالات. في السنوات الأخيرة، ظهرت مجموعات بيانات مختلفة لتجزئة الصور مثل الفطر بعد المطر. الشهر الماضي،أصدرت شركة ByteDance أول مجموعة بيانات لتقسيم الصور البانورامية واسعة النطاق "COCONut".لقد ضخت دماء جديدة في الأبحاث في هذا المجال.
هذا الأسبوع، قامت HyperAI بتجميع وتحليل 10 مجموعات بيانات عالية الجودة لتجزئة الصور لتعزيز تقدم الأبحاث ذات الصلة بشكل أفضل.
بالإضافة إلى ذلك، فإن المشروع الشهير "Segment Anything" على GitHub متاح أيضًا في قسم "البرنامج التعليمي" على الموقع الرسمي لـ hyper.ai! تعال واستمتع بعالم تقسيم الصور!
تشغيل عبر الإنترنت: https://go.hyper.ai/4GUjy
1.مجموعة بيانات تقسيم الصور واسعة النطاق COCONut
وكالة النشر:بايت دانس
وقت الإصدار:2024
الحجم المقدر:2.27 جيجابايت
عنوان التنزيل:https://go.hyper.ai/D1XHs
COCONut هي أول مجموعة بيانات لتجزئة الصور البانورامية واسعة النطاق التي تم شرحها يدويًا والتي أصدرتها ByteDance، وتحتوي على ما يقرب من 383 ألف صورة و5.18 مليون قناع تجزئة بانورامية تم شرحها يدويًا. تم اختيار هذا الإنجاز لـCVPR 2024.
2.مجموعة بيانات التجزئة البانورامية لأجزاء باسكال البانورامية
وكالة النشر:جامعة آيندهوفن للتكنولوجيا
وقت الإصدار:2021
الحجم المقدر:157.78 ميجابايت
عنوان التنزيل:https://go.hyper.ai/KD9NU
تتكون مجموعة البيانات من التعليقات التوضيحية من مهمة التجزئة البانوبتيكية الجزئية على مجموعة بيانات PASCAL VOC 2010. وقد تم اختيار النتائج ذات الصلة لـ CVPR 2021.
3.مجموعة بيانات تجزئة الصور الصغيرة PASCAL-5i
وكالة النشر:معهد جورجيا للتكنولوجيا
وقت الإصدار:2020
الحجم المقدر:112.42 ميجابايت
عنوان التنزيل:https://go.hyper.ai/oNGRX
PASCAL-5i عبارة عن مجموعة بيانات لتقييم تقسيم الصور المكونة من عدد قليل من اللقطات. تنقسم مجموعة البيانات إلى 4 أجزاء، يحتوي كل جزء على 5 فئات، بإجمالي 20 فئة.
4.مجموعة بيانات تقسيم الصور SUN09
وكالة النشر:معهد ماساتشوستس للتكنولوجيا
وقت الإصدار:2010
الحجم المقدر:8.15 جيجابايت
عنوان التنزيل:https://go.hyper.ai/PWjWo
تتكون مجموعة بيانات SUN09 من 12000 صورة موضحة تغطي أكثر من 200 فئة من الكائنات. تحتوي مجموعة البيانات على صور طبيعية وداخلية وخارجية. تحتوي كل صورة على ما معدله 7 كائنات مختلفة موضحة، ومتوسط المساحة التي يشغلها كل كائن هو 5 % من حجم الصورة. تم نشر هذه المجموعة من البيانات في IEEE CVPR 2010.
5.مجموعة بيانات تقسيم الصور PASCAL VOC 2011
وكالة النشر:جامعة ليدز
وقت الإصدار:2011
الحجم المقدر:1.7 جيجابايت
عنوان التنزيل:https://go.hyper.ai/bXb4O
PASCAL VOC 2011 هي مجموعة بيانات لتجزئة الصور. تحتوي مجموعة التدريب على 2223 صورة و5034 هدفًا؛ تحتوي مجموعة الاختبار على 1,111 صورة و 2,028 هدفًا. في المجمل، يتم استخدام أكثر من 5000 كائن مجزأ بدقة للتدريب.
6.مجموعة بيانات تقسيم الصور القائمة على اللغة PhraseCut
وكالة النشر:جامعة ماساتشوستس أمهرست
وقت الإصدار:2020
عنوان التنزيل:https://go.hyper.ai/bvzRm
تحتوي مجموعة بيانات PhraseCut على 77,262 صورة و345,486 زوجًا من العبارات والمناطق. يتم جمع مجموعة البيانات من مجموعة بيانات Visual Genome واستخدام التعليقات التوضيحية الموجودة لإنشاء مجموعة من العبارات المرجعية الصعبة، ويتم التعليق التوضيحي يدويًا على المناطق المقابلة لهذه العبارات.
7.مجموعة بيانات فصل الصور ثلاثية الأبعاد MPI3D
وكالة النشر:معهد ماكس بلانك للأنظمة الذكية
وقت الإصدار:2019
عنوان التنزيل:https://go.hyper.ai/JfmOO
MPI تعني Moldflow Plastic Insight، وهو عبارة عن أكثر من مليون صورة لأشياء ثلاثية الأبعاد مادية. هناك سبعة متغيرات في الصورة، مثل اللون والشكل والحجم وموضع الكائنات. يمكن استخدام مجموعة البيانات هذه لاختبار خوارزميات التعلم التمثيلي في البيئات المحاكاة والحقيقية. وقد تم اختيار النتائج ذات الصلة لـ NeurIPS 2019.
8.مجموعة بيانات تجزئة مثيلات CryoNuSeg
وكالة النشر:الجامعة الطبية في فيينا
وقت الإصدار:2023
الحجم المقدر:160 ميجابايت
عنوان التنزيل:https://go.hyper.ai/Ybpbg
CryoNuSeg هي مجموعة بيانات لتجزئة الحالات النووية في صور الأنسجة الملطخة بالهيماتويد والإيوزين في القسم المجمد. تحتوي مجموعة البيانات على صور من 10 أعضاء بشرية بحجم ثابت 512 × 512 بكسل وتوفر 3 تعليقات يدوية للسماح بقياس التباين داخل المراقب وبين المراقبين.
9.مجموعة بيانات تجزئة مثيلات سلة المهملات
وكالة النشر:الحفاظ على التراث الرقمي الجامعي
وقت الإصدار:2020
الحجم المقدر:18.3 جيجابايت
عنوان التنزيل:https://go.hyper.ai/dxw78
TrashCan عبارة عن مجموعة بيانات لتجزئة مثيلات القمامة تحت الماء، تتكون من 7212 صورة موضحة، تسجل أنشطة القمامة المختلفة تحت الماء، والغواصات غير المأهولة، والنباتات والحيوانات في قاع البحر. يعتمد شرح هذه المجموعة من البيانات على تنسيق شرح تجزئة المثيلات، وتأتي صورها من مجموعة بيانات J-EDI.
10.مجموعة بيانات تقسيم الصور الصغيرة FSS-1000
وكالة النشر:جامعة هونغ كونغ للعلوم والتكنولوجيا
وقت الإصدار:2019
الحجم المقدر:7.56 جيجابايت
عنوان التنزيل:https://go.hyper.ai/eTDiv
FSS-1000 عبارة عن مجموعة بيانات تقسيمية مكونة من عدة لقطات تحتوي على 1000 فئة. تستكشف مجموعة البيانات هذه مهمة تدريب نموذج لإكمال التعرف على الصور باستخدام 5 صور تم التعليق عليها يدويًا فقط. تحتوي مجموعة البيانات على عدد كبير من الكائنات التي لم تظهر أو يتم التعليق عليها مطلقًا في مجموعات البيانات السابقة، مثل الكائنات اليومية والسلع وشخصيات الرسوم المتحركة والشعارات وما إلى ذلك.
برنامج تعليمي SegmentAnyth
نموذج Segment Anything (SAM) هو نموذج رؤية آلية يمكنه إنشاء تجزئة عالية الجودة للصورة استنادًا إلى مطالبات الإدخال مثل النقاط أو المربعات، ويمكن استخدامه لإنشاء أقنعة مقابلة لجميع الكائنات في الصورة. تم تدريب النموذج على مجموعة بيانات مكونة من 11 مليون صورة و1.1 مليار قناع، ويحقق أداءً قويًا بدون أخطاء في مجموعة متنوعة من مهام التجزئة، مما يتيح التجزئة الحقيقية لكل شيء.
تشغيل عبر الإنترنت: https://go.hyper.ai/D1XHs
تتضمن البيانات المذكورة أعلاه 10 مجموعات بيانات لتقسيم الصور وتصنيفها تم تجميعها بواسطة HyperAI. إذا كان لديك موارد تريد تضمينها على الموقع الرسمي لـ hyper.ai، فنحن نرحب بك لترك رسالة أو إرسال مساهمتك لإخبارنا بذلك!
حول HyperAI
HyperAI (hyper.ai) هي شركة رائدة في مجال الذكاء الاصطناعي والحوسبة عالية الأداء في الصين.نحن ملتزمون بأن نصبح البنية التحتية في مجال علوم البيانات في الصين وتوفير موارد عامة غنية وعالية الجودة للمطورين المحليين. حتى الآن، لدينا:
* توفير عقد تنزيل محلية سريعة لأكثر من 1200 مجموعة بيانات عامة
* يتضمن أكثر من 300 برنامج تعليمي كلاسيكي وشائع عبر الإنترنت
* تفسير أكثر من 100 حالة بحثية من AI4Science
* دعم البحث عن أكثر من 500 مصطلح ذي صلة
* استضافة أول وثائق كاملة حول Apache TVM باللغة الصينية في الصين
قم بزيارة الموقع الرسمي لبدء رحلة التعلم الخاصة بك: