精华内容
下载资源
问答
  • 有时候苦于想做的项目没有合适的数据集,而分割数据集有自己项目课题需要的,或者就是想把高质量的分割数据集(如Cityscapes)拿来用于目标检测任务,就需要将深度学习实例分割数据集改造为目标检测数据集。...

    大家都知道的,想要让深度学习算法发挥良好的性能,数据集的好坏至关重要。如果做目标检测,有时候苦于想做的项目没有合适的数据集,而分割数据集有自己项目课题需要的,或者就是想把高质量的分割数据集(如Cityscapes)拿来用于目标检测任务,就需要将深度学习实例分割数据集改造为目标检测数据集。

    那么如何将像素级的多边形标注的分割数据标注转为目标检测的bbox标注呢?其实很简单,由于分割的每个目标的多边形标注都是标注多个像素[x,y]从而标注出多边形形状,只需要找出这个目标的多边形像素标注的Xmin,Ymin,Xmax,Ymax即可得到包围框。下面以CityScapes数据集转为目标检测数据集(这里转为适合YOLO系列需要的输入格式.txt)为例给出代码(实际上其他分割数据集均适用)。YOLO所需的格式如下图:

    <object-class> <x> <y> <width> <height>
    

     代码如下:(默认一张图片对应一个.json标签)

    import json
    import os 
    from os import listdir, getcwd
    from os.path import join
    import os.path
    rootdir='/home/wang/下载/数据集/cityscapes/Images/train' #写自己存放图片的数据地址
    def position(pos): #该函数用来找出xmin,ymin,xmax,ymax即bbox包围框
        x=[]
        y=[]
        nums=len(pos)
        for i in range(nums):
            x.append(pos[i][0])
            y.append(pos[i][1])
        x_max=max(x)
        x_min=min(x)
        y_max=max(y)
        y_min=min(y)
        b=(float(x_min),float(x_max),float(y_min),float(y_max))
        return b
    
    def convert(size, box): #该函数将xmin,ymin,xmax,ymax转为x,y,w,h中心点坐标和宽高
        dw = 1./(size[0])
        dh = 1./(size[1])
        x = (box[0] + box[1])/2.0 - 1
        y = (box[2] + box[3])/2.0 - 1
        w = box[1] - box[0]
        h = box[3] - box[2]
        x = x*dw
        w = w*dw
        y = y*dh
        h = h*dh
        return (x,y,w,h)
    
    def convert_annotation(image_id):   
        load_f=open("./train/%s.json"%(image_id),'r')#导入json标签的地址
        load_dict = json.load(load_f)
        out_file = open('./voc_type/train/%s.txt'%(image_id), 'w') #输出标签的地址
        #keys=tuple(load_dict.keys()) 
        w=load_dict['imgWidth']  #原图的宽,用于归一化
        h=load_dict['imgHeight']
        #print(h)
        objects=load_dict['objects']
        nums=len(objects)
        #print(nums)
        #object_key=tuple(objects.keys()
       
        
        
        for i in range(0,nums):
            labels=objects[i]['label']
            #print(i)
            if (labels in ['person','rider']):
                #print(labels)
                pos=objects[i]['polygon']   
                b=position(pos)
                bb = convert((w,h), b)
                cls_id=2  #我这里把行人和骑自行车的人都设为类别2
                out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
                #print(type(pos))
            elif (labels in ['car','truck','bus','caravan','trailer']):
                #print(labels)
                pos=objects[i]['polygon']
                b=position(pos)
                bb = convert((w,h), b)
                cls_id=1 #我这里把各种类型的车都设为类别1
                out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
    
    def image_id(rootdir):
        a=[]
        for parent,dirnames,filenames in os.walk(rootdir):
            for filename in filenames:
                filename=filename.strip('.png')
                #print(filename)
                a.append(filename)
        return a
    names=image_id(rootdir)
    for image_id in names:
        convert_annotation(image_id)
    

    代码只需要简单修改就可以用于各种任务中去。

    当然,有时候图片的数目与标签数目不一致该咋办?(例如有的图片没标注信息或者没有.json文件)

    此时只需要将图片文件夹与标签文件夹进行集合的求补运算,然后删去这些图片即可,代码如下:

    #encoding:utf-8
    import os
    import os.path
    from os import listdir, getcwd
    from os.path import join
    txt_dir='./label/train'   #你的图片文件夹路径
    pic_dir='./Image/train' #你的标签文件夹路径
    
    
    def txt(rootdir):
        a=[]
        for parent,dirnames,filenames in os.walk(rootdir):
            for filenames in filenames:
                filenames=filenames.strip('.txt') #这里看你的标注文件后缀是什么就改为什么
                a.append(filenames)
        return a
    def pic(rootdir):
        b=[]
        for parent,dirnames,filenames in os.walk(rootdir):
            for filenames in filenames:
                filenames=filenames.strip('.jpg') #图片的后缀是什么就改为什么
                b.append(filenames)
        return b
    
    txt_set=txt(txt_dir)
    txt_set=set(txt_set)
    pic_set=pic(pic_dir)
    pic_set=set(pic_set)
    #comp=txt_set-pic_set
    comp=pic_set-txt_set #图片比标注多时,进行做差
    print("ok")
    print(len(comp))
    
    for item in comp: #删去这些无标注的图片
        file=pic_dir+'/'+item+'.jpg'
        if os.path.exists(file):
            os.remove(file)
            print(file)
            
    #for item in comp:
     #   file=txt_dir+'/'+item+'.json'
      #  if os.path.exists(file):
       #     os.remove(file)
        #    print(file)

    接下来,还有个问题,如果标注信息是所有的图片的标注信息都写在一个.json文件中咋办(类似于BDDV数据集和coco数据集那样)。其实也简单,代码如下(BDDV数据集有bbox信息,就直接提取了,如果也是分割数据,那么就如之前程序那样从多边形中提取bbox包围框即可)

    import json
    import os
    
    def convert(size, box):
        dw = 1./(size[0])
        dh = 1./(size[1])
        x = (box[0] + box[1])/2.0 - 1
        y = (box[2] + box[3])/2.0 - 1
        w = box[1] - box[0]
        h = box[3] - box[2]
        x = x*dw
        w = w*dw
        y = y*dh
        h = h*dh
        return (x,y,w,h)
    
    load_f=open('bdd100k_labels_images_train.json','r')
    data=json.load(load_f)
    #print(data[0].keys())
    
    w=1280
    h=720
    
    if not os.path.exists('./labels_yolo'):
        os.makedirs('./labels_yolo')
    
    
    num=len(data)
    for i in range(num):
        pic_name=data[i]['name']
        name=pic_name.split('.')[0]
        labels=data[i]['labels']
        obj_num=len(labels)
        for j in range(obj_num):
            category=labels[j]['category']
            if (category in ['bus','truck','car']):
                out_file=open('./labels_yolo/%s.txt'%(name),'a')
                cls_id=1
                pos=labels[j]['box2d']
                x_min=pos['x1']
                x_max=pos['x2']
                y_min=pos['y1']
                y_max=pos['y2']
                b = (float(x_min), float(x_max), float(y_min), float(y_max))
                bb = convert((w,h), b)
                out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
            if (category in ['person','rider']):
                out_file=open('./labels_yolo/%s.txt'%(name),'a')
                cls_id=2
                pos=labels[j]['box2d']
                x_min=pos['x1']
                x_max=pos['x2']
                y_min=pos['y1']
                y_max=pos['y2']
                b = (float(x_min), float(x_max), float(y_min), float(y_max))
                bb = convert((w,h), b)
                out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')

     

    展开全文
  • DOTA目标检测数据集

    万次阅读 热门讨论 2019-04-11 09:57:06
    Dota开源目标检测数据集 DOTA-v1.5包含16个类别中的40万个带注释的对象实例,这是DOTA-v1.0的更新版本,它们都使用相同的航拍图像,但是DOTA-v1.5修改并更新了对象的注释,其中许多在DOTA-v1.0中丢失的10像素以下...

    Dota开源目标检测数据集
    DOTA-v1.5包含16个类别中的40万个带注释的对象实例,这是DOTA-v1.0的更新版本,它们都使用相同的航拍图像,但是DOTA-v1.5修改并更新了对象的注释,其中许多在DOTA-v1.0中丢失的10像素以下的小对象实例已被另外注释,DOTA-v1.5的类别也得到了扩展。
    具体地说,增加了集装箱起重机的类别。与DOTA-v.1.0一致,DOTA-v1.5中的图像主要来自中国资源卫星数据和应用中心、Google Earth,卫星JL-1和卫星GF-2。使用来自Google Earth的图片必须遵守相应的使用条款:“Google Earth”使用条款。 DOTA-v1.5中的所有图像及其相关注释仅可用于学术目的,但禁止任何商业用途。
    目标类别:
    DOTA-v1.5中的对象类别包括:飞机,船舶,储罐,棒球场,网球场,篮球场,地面场地,港口,桥梁,小型车辆,大型车辆,直升机,环形交叉路口,足球场,篮球 法院和集装箱起重机。
    标注格式:
    在数据集中,每个实例的位置由四边形边界框注释,可以表示为“x 1,y 1,x 2,y 2,x 3,y 3,x 4,y 4”,其中(xi,yi)表示图像中定向边界框顶点的位置。顶点按顺时针顺序排列。 以下是采用的注释方法的可视化。黄点代表起点。 它指的是:(a)飞机的左上角,(b)大型车辆钻石的左上角,(c)扇形棒球的中心。
    在这里插入图片描述
    除了位置的注释之外,为每个实例分配类别标签,其来自上述15个所选类别中的一个,同时提供难以识别的标签,其指示实例是否难以被检测(1表示难,0表示不难)
    图像的注释保存在具有相同文件名的文本文件中。 在第一行,给出了’imagesource’(来自GoogleEarth,GF-2或JL-1)。 在第二行,给出’gsd’(地面采样距离,一个图像像素的物理尺寸,以米为单位)。 请注意,如果缺少’gsd’,则注释为’null’。 从注释文本文件的第三行到最后一行,给出了每个实例的注释。 注释格式为:
    在这里插入图片描述
    Dota的数据集标签转Voc2007数据集的格式:
    Dota的数据集的标签是txt的格式,而Voc2007数据集的格式是xml的格式,要实现转换,就得先搞清楚Dota的数据集的标签的数据组织结构,这个文章上面介绍了。如果想要代码,可以联系我。QQ:3239516597
    将转换后的xml和图片放在一个文件夹下,用labelImg打开检验一下转换的是对是错。如下图所示。
    在这里插入图片描述

    展开全文
  • 遥感目标检测数据集汇总

    万次阅读 多人点赞 2020-05-04 11:02:54
    光学数据集1.1 DIOR1.2 LEVIR1.3 DOTA1.4 RSOD1.5 NWPU VHR-101.6 VEDAI1.7 COWC1.8 ITCVD1.9 DIUx xView 20181.10 HRSC20161.11 TAS1.12 SZTAKI‐INRIA1.13 UCAS AOD1.14 DLR 3K Vehicle2. SAR2.1 SSDD2.2 SSDD+2....

    在这里插入图片描述

    数据集名称 图像数量 目标数量 卫星
    SSDD/SSDD 1160 2456 -
    OpenSARShip 41 11346 Sentinel-1
    AIR-SARShip-1.0 31 461 GF-3
    SAR-Ship-Dataset 43819 43819 GF-3、Sentinel-1
    HRSID 5604 16951 -

    1. 光学数据集

    1.1 DIOR

    在这里插入图片描述

    “DIOR”是一个用于光学遥感图像目标检测的大规模基准数据集。数据集包含23463个图像和192472个实例,涵盖20个对象类。这20个对象类是飞机、机场、棒球场、篮球场、桥梁、烟囱、水坝、高速公路服务区、高速公路收费站、港口、高尔夫球场、地面田径场、天桥、船舶、体育场、储罐、网球场、火车站、车辆和风磨。

    下载地址:http://www.escience.cn/people/gongcheng/DIOR.html
    数据论文地址:Object Detection in Optical Remote Sensing Images: A Survey and A New Benchmark

    1.2 LEVIR

    在这里插入图片描述

    LEVIR数据集由大量 800 × 600 像素和0.2m〜1.0m /像素的高分辨率Google Earth图像和超过22k的图像组成。LEVIR数据集涵盖了人类居住环境的大多数类型地面特征,例如城市,乡村,山区和海洋。数据集中未考虑冰川,沙漠和戈壁等极端陆地环境。数据集中有3种目标类型:飞机,轮船(包括近海轮船和向海轮船)和油罐。所有图像总共标记了11k个独立边界框,包括4,724架飞机,3,025艘船和3,279个油罐。每个图像的平均目标数量为0.5。
    数据下载地址:http://levir.buaa.edu.cn/Code.htm
    数据论文地址:Random Access Memories: A New Paradigm for Target Detection in High Resolution Aerial Remote Sensing Images

    1.3 DOTA

    在这里插入图片描述

    DOTA是用于航空图像中目标检测的大规模数据集。它可以用于开发和评估航空影像中的物体检测。对于DOTA数据集,它包含来自不同传感器和平台的2806个航拍图像。每个图像的大小在大约800×800到4000×4000像素的范围内,并且包含各种比例,方向和形状的对象。这些DOTA图像由航空影像解释专家分类为15个常见对象类别。完全注释的DOTA图像包含188、282个实例,每个实例都由任意(8自由度)四边形标记。
    https://captain-whu.github.io/DOTA/index.html
    DOTA: A Large-scale Dataset for Object Detection in Aerial Images

    1.4 RSOD

    在这里插入图片描述

    RSOD是一个开放的目标检测数据集,用于遥感图像中的目标检测。数据集包含飞机,油箱,运动场和立交桥,以PASCAL VOC数据集的格式进行标注。
    数据集包括4个文件夹,每个文件夹包含一种对象:
    1.飞机数据集,446幅图像中的4993架飞机
    2.操场,189副图像中的191个操场。
    3.立交桥,176副图像中的180座立交桥。
    4.油箱,165副图像中的1586个 油箱。

    下载地址:https://github.com/RSIA-LIESMARS-WHU/RSOD-Dataset-
    数据论文地址:Object Detection in Optical Remote Sensing Images: A Survey and A New Benchmark

    1.5 NWPU VHR-10

    在这里插入图片描述

    NWPU VHR-10数据集是仅用于研究的公开提供的10类地理空间物体检测数据集,这十类物体是飞机,轮船,储罐,棒球,网球场,篮球场,地面跑道,港口,桥梁和车辆。此数据集总共包含800幅超高分辨率(VHR)遥感图像,是从Google Earth和Vaihingen数据集裁剪而来的,然后由专家手动注释。
    下载地址:https://pan.baidu.com/s/1hqwzXeG#list/path=%2F
    参考文献:Learning Rotation-Invariant Convolutional Neural Networks for Object Detection in VHR Optical Remote Sensing Images

    1.6 VEDAI

    在这里插入图片描述

    VEDAI是航空影像中车辆检测的数据集,作为一种在不受限制的环境中对目标检测算法进行基准测试的工具。数据库中除了包含很小的车辆以外,还表现出不同的可变性,例如多个方向,光照/阴影变化,镜面反射或遮挡。此外,每个图像都有几个光谱带和分辨率。作者还给出了精确的实验方案,以确保可以正确复现和比较不同人获得的实验结果。对于这些算法的不同设置,作者还给出了一些基准以测试该数据集上的性能,以提供基准比较。
    下载地址:https://downloads.greyc.fr/vedai/
    参考文献:Vehicle Detection in Aerial Imagery : A small target detection benchmark

    1.7 COWC

    在这里插入图片描述

    带上下文信息的高架汽车(COWC)数据是头顶视角的带注释的汽车。对于训练、深度神经网络以学习目标检测检测或汽车计数很有用。数据集具有以下属性:
    (1)地面上每像素分辨率15 cm的数据(所有数据均为EO)。
    (2)来自六个不同位置的数据:加拿大多伦多,新西兰塞尔温,波茨坦和德国Vaihingen,哥伦布和犹他州美国。
    (3)32,716辆带注释的汽车。58,247个负面例子。
    (4)为检测和计数任务建立基准。
    (5)能够验证额外测试场景。
    下载地址:https://gdo152.llnl.gov/cowc/

    参考文献:A Large Contextual Dataset for Classification, Detection and Counting of Cars with Deep Learning

    1.8 ITCVD

    在这里插入图片描述

    ITCVD数据集图像是从飞机平台拍摄的,图像拍摄由飞机在荷兰Enschede上方空高约330m的高度飞行,以天底视图和斜视图拍摄图像。斜视角的倾斜角度为45度。天底图像的地面采样距离(GSD)为10厘米。

    数据集包含用于训练的135张图像和用于测试的23543张图像,其余的38张图像和5545辆车辆用于测试。数据集中的每辆车都使用一个边界框手动标注,该边界框表示为(x,y,w,h),其中(x,y)是该框左上角的坐标,而(w,h )分别是边界框的宽度和高度。
    下载地址:
    https://eostore.itc.utwente.nl:5001/fsdownload/zZYfgbB2X/ITCVD
    参考文献:Vehicle Detection in Aerial Images

    1.9 DIUx xView 2018

    在这里插入图片描述

    在这里插入图片描述

    xView是最大的公开可用的开销图像集之一。它包含来自世界各地复杂场景的图像,并用超过一百万个边界框进行注释,这些边界框代表60种对象类别的不同范围。与其他架空图像数据集相比,xView图像具有高分辨率,多光谱特性,并带有更多种类的对象标记。DIUx xView挑战赛的重点是加快四个计算机视觉领域的进展:降低检测的最小分辨率;提高学习效率;启用更多对象类的发现;改进对细粒度类的检测。DIUx xView挑战紧随挑战的脚步,例如上下文中的通用对象(COCO),并试图建立SpaceNet和世界功能图(FMoW),以将计算机视觉应用于来自太空可用图像,以便我们以新的方式理解视觉世界并解决一系列重要的问题。
    下载地址:http://xviewdataset.org/
    参考文献:xView: Objects in Context in Overhead Imagery

    1.10 HRSC2016

    在这里插入图片描述

    数据集所有图像均来自六个著名的港口。图像分辨率在2-m和0.4-m之间。图像尺寸范围从300到1500,大多数图像大于1000 x 600。 训练,验证和测试集分别包含436个图像(包括1207个样本),181个图像(包括541个样本)和444个图像(包括1228个样本)。

    下载地址:http://www.escience.cn/people/liuzikun/DataSet.html
    参考文献:A_High_Resolution_Optical_Satellite_Image_Dataset_for_Ship_Recognition_and_Some_New_Baselines

    1.11 TAS

    TAS数据集(Heitz and Koller, 2008)是为航空图像中的汽车检测而设计的。它包含了30张图片和1319辆手动标注的汽车。这些图像的空间分辨率相对较低,由建筑物和树木造成的阴影较多。

    1.12 SZTAKI‐INRIA

    SZTAKI INRIA: SZTAKI INRIA数据集(Benedek et al., 2011)用于基准测试各种建筑8检测方法。它由665个建筑组成,用定向边界框手工标注,分布在来自曼彻斯特(英国)、Szada和布达佩斯(匈牙利)、Cot d Azur和诺曼底(法国)和Bodensee(德国)的9幅遥感图像中。所有的图像只包含红色®、绿色(G)和蓝色(B)三个通道。其中,两幅图像(Szada和Budapest)是航空图像,其余七幅图像是来自QuickBird、IKONOS和谷歌Earth的卫星图像。

    1.13 UCAS AOD

    UCAS AOD数据集(Zhu et al., 2015a)用于飞机和车辆检测。具体来说,飞机数据集包括600张图像和3210架飞机,而车辆数据集包括310张图像和2819辆车辆。所有的图像都经过精心挑选,使数据集中的物体方向分布均匀。
    下载地址:https://pan.baidu.com/s/1bplTvif密码:ppef

    1.14 DLR 3K Vehicle

    在这里插入图片描述

    DLR 3K车辆:DLR 3K车辆数据集(Liu and Mattyus, 2015)是另一个设计用于车辆检测的数据集。它包含20张5616 3744航拍图像,空间分辨率为13厘米。它们是在距地面1000米的高空使用DLR 3K摄像机系统(一种近乎实时的机载数字监控系统)在德国慕尼黑地区拍摄的。有14235辆车是通过在图片中使用定向包围框手动标记的。

    1.15 HRRSD

    在这里插入图片描述
    HRRSD 数据集是2019年中国科学院大学发布的数据集,HRRSD包含从Google Earth和Baidu地图获取的21761幅图像,空间分辨率从0.15-m到1.2-m。HRRSD中有55740个目标的实例,每个类别4k左右。HRRSD包含13类目标。13个类别分别是:飞机、棒球场、篮球场、桥梁、十字路口、田径场、港口、停车场、船、存储罐、丁字路口、网球场、汽车。
    数据库的亮点是,各个类别之间样本量较均衡,每个类别都有大约4000个样本。
    下载链接:https://github.com/CrazyStoneonRoad/TGRS-HRRSD-Dataset

    2. SAR

    2.1 SSDD

    在这里插入图片描述
    在数据集SSDD中,一共有1160个图像和2456个舰船,平均每个图像有2.12个舰船,数据集后续会继续扩充。相比于具有20类目标的PASCAL VOC数据集,SSDD虽然图片少,但是类别只有舰船这一种,因此它足以训练检测模型。
    下载链接:https://pan.baidu.com/s/1sVs63jB_aM-RbcHEaWQgTg
    提取码:4pz1

    2.2 SSDD+

    在这里插入图片描述
    SSDD+的数据集相对于SSDD数据将垂直边框变成了旋转边框,旋转边框可在完成检测任务的同时实现了对目标的方向估计。

    2.3 OpenSARShip

    在这里插入图片描述

    OpenSAR是由上海交通大学高级传感技术中心(AST)开发的开放式SAR图像管理和处理平台,用于SAR图像的读取,处理,可视化和算法测试。SAR图像管理和算法测试是OpenSAR的主要任务。
    OpenSAR支持导入各种SAR数据源,例如TerraSAR-X,RADARSAT 1/2,COSMO-SkyMed等。用户可以通过该平台搜索和查看SAR图像数据。OpenSAR支持注册各种算法,例如图像去噪,场景分类,目标检测,目标识别,变化检测等。用户可以通过该平台搜索,配置和执行这些算法,并且完整的测试报告也将提供给用户。
    下载地址:http://opensar.sjtu.edu.cn/
    参考文献:
    Huang L, Liu B, Li B, et al. OpenSARShip: A Dataset Dedicated toSentinel-1 Ship Interpretation[J]. IEEE Journal of Selected Topics in AppliedEarth Observations and Remote Sensing, 2017.

    2.4 AIR-SARShip-1.0

    在这里插入图片描述

    高分辨率SAR舰船检测数据集-1.0(AIR-SARShip-1.0)首批发布31幅图像,图像分辨率包括1m和3m,成像模式包括聚束式和条带式,极化方式为单极化,场景类型包含港口、岛礁、不同等级海况的海面,目标覆盖运输船、油船、渔船等十余类近千艘舰船。 图像尺寸约为3000×3000像素,图像格式为Tiff、单通道、8/16位图像深度,标注文件提供相应图像的长宽尺寸、标注目标的类别以及标注矩形框的位置。
    下载地址:AIR-SARShip-1.0:高分辨率SAR舰船检测数据集
    参考文献:http://radars.ie.ac.cn/article/doi/10.12000/JR19097?viewType=HTML

    2.5 SAR-Ship-Dataset

    在这里插入图片描述
    该数据集以我国国产高分三号SAR数据和Sentinel-1 SAR数据为主数据源,共采用了102景高分三号和108景Sentinel-1 SAR图像构建高分辨率SAR船舶目标深度学习样本库。目前,该深度学习样本库包含43819船舶切片。高分三号的成像模式是Strip-Map (UFS)、Fine Strip-Map 1 (FSI)、Full Polarization 1 (QPSI)、Full Polarization 2(QPSII)和Fine Strip-Map 2 (FSII)。这5种成像模型的分辨率分别是3m、5m、8m、25m和10m。Sentinel-1的成像模式是条带模式(S3和S6)和宽幅成像模式。
    下载链接:https://github.com/CAESAR-Radi/SAR-Ship-Dataset
    参考文献:A SAR Dataset of Ship Detection for Deep Learningunder Complex Backgrounds

    2.7 HRSID

    在这里插入图片描述

    该数据集是电子科技大学的苏浩在2020年1月发布数据集,HRSID是高分辨率sar图像中用于船舶检测、语义分割和实例分割任务的数据集。该数据集共包含5604张高分辨率SAR图像和16951个ship实例。ISSID数据集借鉴了Microsoft Common Objects in Context (COCO)数据集的构建过程,包括不同分辨率的SAR图像、极化、海况、海域和沿海港口。该数据集是研究人员评估其方法的基准。对于HRSID, SAR图像的分辨率分别为:0.5m, 1 m, 3 m。
    下载链接:https://github.com/chaozhong2010/HRSID

    2.8 MSTAR

    在这里插入图片描述
    MSTAR数据库作为SAR图像自动目标识别(SAR ATR)研究的一个通用库,被很多学者广泛采用。从现有的SAR ATR系统处理流程来看,目标检测作为该系统的前端,很大程度上影响系统后续识别性能,在较好的检测性能下获得的目标区域可以直接进行分类识别,避免了鉴别阶段进一步减少虚警目标。目标识别作为该系统的后端处理部分,是整个系统的重点也是难点。

    参考链接

    数据分享01期|遥感目标检测数据集

    展开全文
  • 显著性目标检测数据集

    千次阅读 多人点赞 2019-07-27 10:21:46
    更新了九个常用的显著性目标检测数据集:SOD、DUT-OMRON、MSRA-B、SOC、SED2、HKU-IS、PASCAL-S、DUTS、THUR-15K,自取。

    视觉显著性目标检测数据集

    更新九个常用的显著性目标检测数据集供学术研究使用:SOD、DUT-OMRON、MSRA-B、SOC、SED2、HKU-IS、PASCAL-S、DUTS、THUR-15K。
    [SOD,提取码:f7uq]、[DUT-OMRON,提取码:wqpn]、[MSRA-B,提取码:rfrb]
    [SOC,提取码:d5b9]、[SED2,提取码:q4ia]、[HKU-IS,提取码:2f1i]
    [PASCAL-S,提取码:naax]、[DUTS,提取码:a5w7]、[THUR-15K,提取码:ptk9]

    展开全文
  • 目标检测数据集整理

    万次阅读 多人点赞 2018-06-02 22:13:28
    本篇博客主要整理基于深度学习的目标检测所用的数据集, 评价指标见上一篇博客。 参考链接: 1、链接1 2、链接2 3、链接3 1、Pascal VOC 2、COCO
  • 目标检测数据集

    千次阅读 2017-12-24 00:12:17
    数据集共 20分类, 镜像下载网站: https://pjreddie.com/projects/pascal-voc-dataset-mirror/ VOC 2012 Train/Validation Data (1.9 GB) Test Data (1.8 GB) Development Kit PDF Documentation ...
  • 睿智的目标检测12——使用labelimg进行目标检测数据集标注学习前言labelimg的安装进行批量标注 学习前言 好久没写博文了,先水一水。 labelimg的安装 其实安装labelimg很简单,网上给了各种各样的方法,其实还不如...
  • 航空遥感图像(Aerial Images)目标检测数据集汇总

    万次阅读 多人点赞 2017-12-18 16:17:40
    常规目标检测数据集有很,现在前沿的目标检测算法(如Faster R-CNN, Yolo, SSD, Mask R-CNN等)基本都是在这些常规数据集上实验的,但是,基于常规数据集训练的分类器,在航空遥感图像上的检测效果并不好,主要...
  • 目标检测 数据集—标注工具 labelImg/labelme

    万次阅读 多人点赞 2018-12-15 20:21:20
    我之前做目标检测时都是直接下载公开的数据集,比赛的数据集,因为简单方便。 如今自己需要另外训练自己的数据集,标准肯定少不了。LabelImg 这个工具 它的作用是在原始图像中标注目标物体位置并对每张图片生成相应...
  • 相信看这篇文章的人都在做深度学习吧,此数据集是为目标检测做的数据集,有错误处请海涵 代码见我的github上:https://github.com/EddyGao/make_VOC2007 第一步:首先了解VOC2007数据集的格式 1)JPEGImages...
  • 目标检测任务中常常会遇到图像中目标被遮挡严重的问题,由于遮挡数据复杂多样,遮挡信息丢失严重,模型在训练过程中往往陷入过拟合问题,对训练集中外的数据检测效果下降,在模型层面很难做到很好的改善,这时候就...
  • MS COCO数据集目标检测评估(Detection Evaluation)(来自官网) MS COCO数据集人体关键点评估(Keypoint Evaluation)(来自官网) MS COCO数据集输出数据的结果格式(result format)和如何参加比赛...
  • 目标检测常用数据集

    千次阅读 2019-01-16 16:02:38
    目标检测常用数据集 References: https://blog.csdn.net/liuxiao214/article/details/80552026 1. Pascal VOC VOC数据集目标检测经常用的一个数据集,从05年到12年都会举办比赛(比赛task: Classification ...
  • 目标检测常用的数据集包括PASCAL VOC,ImageNet,MS COCO等数据集,这些数据集用于研究者测试算法性能或者用于竞赛。目标检测的性能指标要考虑检测物体的位置以及预测类别的准确性,下面我们会说到一些常用的性能...
  • 制作自己的目标检测数据集

    千次阅读 2019-10-23 21:41:27
    制作自己的目标检测数据集1.制作数据集的工具2.数据集结构插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也...
  • Udacity Self-Driving 目标检测数据集简介与使用

    万次阅读 多人点赞 2017-05-21 17:03:11
    前言 之前,博主为了得到更好的车载视频目标检测效果(偏工程实际,非刷榜),使用SSD框架训练过KITTI数据集,几次训练下来,结果不太理想。自己分析,原因较,其中很重要的一条就是KITTI数据集不够大(标注图片仅...
  • 【SSD目标检测】3:训练自己的数据集

    万次阅读 多人点赞 2018-07-20 14:22:34
    前言:上一章已经详细介绍了SSD——多目标定位检测识别算法,该框架是Google开源的代码,所以自然有很前辈做改进了。我也不过是站在前辈的肩膀上,这一章就是讲解如何训练自己的数据集,让SSD框架识别。源码也无偿...
  • 关于coco目标检测数据集格式

    千次阅读 2018-06-11 15:06:08
    coco目标检测数据集标注目标信息采用的是数据格式是json,其内容本质是一种字典结构,字典堆栈和列表信息内容维护。coco里面的id和类名字对应:总共80类,但id号去到了90!coco_id_name_map={1: 'person', 2: '...
  • 相信做目标检测的大家都有过会在将会有制作自己的目标检测数据集的需求。标注数据就得有相应的工具,这里就提供了这样一个标注工具。这个标注工具有着独一无二的特点,它是基于浏览器的标注工具。这就意味着任何一台...
  • 自然图像目标检测数据集汇总

    千次阅读 2019-07-12 17:49:07
    目录 一、PASCAL VOC 1、Challenge and tasks ...1、ImageNet数据集简介 2、数据集下载 3、包含项目 三、COCO 1、COCO中的类 2、安装COCO api 3、COCO api介绍 4、主要使用方法 一、PAS...
  • MS COCO全称Microsoft Common Objects in Context,是一个包含了目标检测、分割、字幕的数据集。包含了以下特点:目标分割、情景中的识别、超像素stuff分割(相较于Thing Class,即人、汽车、大象这类目标,为主的...
  • [YoLoV3目标检测实战] keras+yolov3训练自身的数据集 本文用keras版本的yolov3来训练人脸口罩数据集,从而完成一个简单的目标检测。 首先先上目标检测效果,准备好了吗? go!go!go! 看到 目标检测的效果之后,...
  • python对目标检测数据集xml文件操作

    千次阅读 2019-05-31 09:05:18
    博主在制作目标检测数据集时,需要将之前的标签进行替换,将person替换为rider,使用python批量处理xml格式文件如下: import os, sys import glob from xml.etree import ElementTree as ET #批量读取...
  • 本文简要介绍了目标检测PASCAL VOC数据集。 PASCAL VOC数据集简介二级目录三级目录 简介 二级目录 三级目录
  • 【SSD目标检测】2:如何制作自己的数据集

    万次阅读 多人点赞 2018-07-20 14:04:07
    第一部分:如何制作自己的数据集 1、VOC2007数据集简介 知己知彼,方百战不殆。想制作自己的数据集当然要先了解SSD使用的数据集VOC2007长啥样。VOC2007下载链接 ,密码是:m5io(VOC2007完整下载有3个压缩包+1个...
  • 目标检测数据集标签格式转为COCO标签的json格式

    千次阅读 热门讨论 2020-05-03 20:37:51
    将所有目标检测数据集标签格式转为COCO标签的json格式。
  • 深度学习目标检测数据集扩增方法

    千次阅读 2019-07-03 14:33:02
    先放出链接吧,后续跑得时候补充 论文传送门: https://arxiv.org/abs/1906.11172 代码传送门: https://github.com/tensorflow/tpu/tree/master/models/official/detection
  • 航空航天遥感图像目标检测数据集汇总

    万次阅读 热门讨论 2018-11-28 10:44:17
    1.DOTA:A Large-scale Dataset for Object Detection in Aerial Images。这是武大遥感国重实验室夏桂松和华科电信学院白翔联合做的一个数据集,2806张遥感图像(大小约4000*4000),188,282个instances,分为15...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 165,294
精华内容 66,117
关键字:

多目标检测数据集