[Zusammenfassung Der Bildsegmentierungsdatensätze] Byte Hat COCONut Veröffentlicht, Ausgewählt Für CVPR 2024. Erleben Sie Jetzt Segment Anything!
Mit der kontinuierlichen Weiterentwicklung der Computer-Vision-Technologie hat die Bildsegmentierung in vielen Bereichen einen wichtigen Anwendungswert gezeigt. In den letzten Jahren sind verschiedene Datensätze zur Bildsegmentierung wie Pilze nach dem Regen aus dem Boden geschossen. letzten Monat,ByteDance hat den ersten groß angelegten Datensatz zur Panoramabildsegmentierung „COCONut“ veröffentlicht.Es hat der Forschung auf diesem Gebiet frischen Wind verliehen.
Diese Woche hat HyperAI 10 hochwertige Bildsegmentierungsdatensätze zusammengestellt und analysiert, um den Fortschritt der entsprechenden Forschung besser zu fördern.
Darüber hinaus ist das beliebte Projekt „Segment Anything“ auf GitHub auch im Abschnitt „Tutorial“ der offiziellen Website von hyper.ai verfügbar! Kommen Sie und erleben Sie die Welt der Bildsegmentierung!
Online ausführen: https://go.hyper.ai/4GUjy
1.COCONut-Datensatz zur groß angelegten Bildsegmentierung
Verlag:ByteDance
Veröffentlichungszeit:2024
Geschätzte Größe:2,27 GB
Downloadadresse:https://go.hyper.ai/D1XHs
COCONut ist der erste groß angelegte, manuell annotierte Datensatz zur Panoramabildsegmentierung, der von ByteDance veröffentlicht wurde und ungefähr 383.000 Bilder und 5,18 Millionen manuell annotierte Panoramasegmentierungsmasken enthält. Diese Leistung wurde für CVPR 2024 ausgewählt.
2.Pascal Panoptic Parts Panoptic Segmentation Dataset
Verlag:Technische Universität Eindhoven
Veröffentlichungszeit:2021
Geschätzte Größe:157,78 MB
Downloadadresse:https://go.hyper.ai/KD9NU
Der Datensatz besteht aus Anmerkungen aus der teilbewussten panoptischen Segmentierungsaufgabe zum PASCAL VOC 2010-Datensatz. Verwandte Ergebnisse wurden für CVPR 2021 ausgewählt.
3.PASCAL-5i-Datensatz zur Bildsegmentierung mit kleinen Beispielen
Verlag:Georgia Institut für Technologie
Veröffentlichungszeit:2020
Geschätzte Größe:112,42 MB
Downloadadresse:https://go.hyper.ai/oNGRX
PASCAL-5i ist ein Datensatz zur Auswertung der Bildsegmentierung mit wenigen Aufnahmen. Der Datensatz ist in 4 Teile unterteilt, jeder Teil enthält 5 Kategorien, insgesamt also 20 Kategorien.
4.SUN09-Bildsegmentierungsdatensatz
Verlag:Massachusetts Institute of Technology
Veröffentlichungszeit:2010
Geschätzte Größe:8,15 GB
Downloadadresse:https://go.hyper.ai/PWjWo
Der SUN09-Datensatz besteht aus 12.000 annotierten Bildern, die mehr als 200 Objektkategorien abdecken. Der Datensatz enthält Naturbilder sowie Innen- und Außenaufnahmen. Jedes Bild enthält durchschnittlich 7 verschiedene annotierte Objekte und die durchschnittliche Fläche, die jedes Objekt einnimmt, beträgt 5 % der Bildgröße. Dieser Datensatz wurde im IEEE CVPR 2010 veröffentlicht.
5.PASCAL VOC 2011 Bildsegmentierungsdatensatz
Verlag:Universität Leeds
Veröffentlichungszeit:2011
Geschätzte Größe:1,7 GB
Downloadadresse:https://go.hyper.ai/bXb4O
PASCAL VOC 2011 ist ein Datensatz zur Bildsegmentierung. Der Trainingssatz enthält 2.223 Bilder und 5.034 Zielobjekte; Der Testsatz enthält 1.111 Bilder und 2.028 Zielobjekte. Insgesamt werden für das Training mehr als 5.000 präzise segmentierte Objekte verwendet.
6.PhraseCut sprachbasierter Bildsegmentierungsdatensatz
Verlag:Universität von Massachusetts Amherst
Veröffentlichungszeit:2020
Downloadadresse:https://go.hyper.ai/bvzRm
Der PhraseCut-Datensatz enthält 77.262 Bilder und 345.486 Phrase-Region-Paare. Der Datensatz wird aus dem Visual Genome-Datensatz gesammelt und verwendet vorhandene Anmerkungen, um eine Reihe anspruchsvoller Referenzphrasen zu generieren, und die entsprechenden Bereiche dieser Phrasen werden manuell annotiert.
7.MPI3D 3D-Bildtrennungsdatensatz
Verlag:Max-Planck-Institut für Intelligente Systeme
Veröffentlichungszeit:2019
Downloadadresse:https://go.hyper.ai/JfmOO
MPI steht für Moldflow Plastic Insight und besteht aus mehr als 1 Million Bildern physischer 3D-Objekte. Ein Bild enthält sieben Variablen, beispielsweise Farbe, Form, Größe und Position von Objekten. Dieser Datensatz kann zum Testen von Repräsentationslernalgorithmen sowohl in simulierten als auch in realen Umgebungen verwendet werden. Verwandte Ergebnisse wurden für NeurIPS 2019 ausgewählt.
8.Segmentierungsdatensatz der CryoNuSeg-Instanz
Verlag:Medizinische Universität Wien
Veröffentlichungszeit:2023
Geschätzte Größe:160 MB
Downloadadresse:https://go.hyper.ai/Ybpbg
CryoNuSeg ist ein Datensatz zur Kerninstanzsegmentierung in mit H&E gefärbten Gefrierschnitten gefärbten Gewebebildern. Der Datensatz enthält Bilder von 10 menschlichen Organen mit einer festen Größe von 512 × 512 Pixeln und bietet 3 manuelle Anmerkungen, um die Messung der Intra- und Inter-Observer-Variabilität zu ermöglichen.
9.TrashCan-Instanzsegmentierungsdatensatz
Verlag:Digitale Konservierung der Universität
Veröffentlichungszeit:2020
Geschätzte Größe:18,3 GB
Downloadadresse:https://go.hyper.ai/dxw78
TrashCan ist ein Instanzsegmentierungsdatensatz von Unterwassermüll, der aus 7.212 kommentierten Bildern besteht und die Aktivitäten verschiedener Unterwasserabfälle, unbemannter Tauchboote sowie der Flora und Fauna des Meeresbodens aufzeichnet. Die Annotation dieses Datensatzes übernimmt das Format der Instanzsegmentierungsannotation und seine Bilder stammen aus dem J-EDI-Datensatz.
10.FSS-1000 – kleiner Beispieldatensatz zur Bildsegmentierung
Verlag:Die Hong Kong University of Science and Technology
Veröffentlichungszeit:2019
Geschätzte Größe:7,56 GB
Downloadadresse:https://go.hyper.ai/eTDiv
FSS-1000 ist ein Segmentierungsdatensatz mit wenigen Aufnahmen, der 1.000 Klassen enthält. Dieser Datensatz untersucht die Aufgabe, ein Modell zu trainieren, um die Bilderkennung mit nur 5 manuell annotierten Bildern durchzuführen. Der Datensatz enthält eine große Anzahl von Objekten, die in früheren Datensätzen nie erschienen oder annotiert wurden, wie etwa Alltagsgegenstände, Waren, Zeichentrickfiguren, Logos usw.
SegmentAnything-Tutorial
Segment Anything Model (SAM) ist ein Modell für maschinelles Sehen, das auf der Grundlage von Eingabeaufforderungen wie Punkten oder Kästchen eine qualitativ hochwertige Bildsegmentierung erstellen und zum Generieren entsprechender Masken für alle Objekte in einem Bild verwendet werden kann. Das Modell wurde anhand eines Datensatzes von 11 Millionen Bildern und 1,1 Milliarden Masken trainiert und erreicht bei einer Vielzahl von Segmentierungsaufgaben eine starke Zero-Shot-Leistung, wodurch eine echte Segmentierung aller Elemente ermöglicht wird.
Online ausführen: https://go.hyper.ai/D1XHs
Oben sind 10 von HyperAI zusammengestellte Datensätze zur Bildsegmentierung und -klassifizierung. Wenn Sie über Ressourcen verfügen, die Sie auf der offiziellen Website von hyper.ai veröffentlichen möchten, können Sie uns gerne eine Nachricht hinterlassen oder Ihren Beitrag übermitteln!
Über HyperAI
HyperAI (hyper.ai) ist eine führende Community für künstliche Intelligenz und Hochleistungsrechnen in China.Wir haben uns zum Ziel gesetzt, die Infrastruktur im Bereich der Datenwissenschaft in China zu werden und inländischen Entwicklern umfangreiche und qualitativ hochwertige öffentliche Ressourcen bereitzustellen. Bisher haben wir:
* Bereitstellung von inländischen beschleunigten Download-Knoten für über 1200 öffentliche Datensätze
* Enthält über 300 klassische und beliebte Online-Tutorials
* Interpretation von über 100 AI4Science-Papierfällen
* Unterstützt die Suche nach über 500 verwandten Begriffen
* Hosting der ersten vollständigen chinesischen Apache TVM-Dokumentation in China
Besuchen Sie die offizielle Website, um Ihre Lernreise zu beginnen: