【数据集NO.5】小目标检测数据集汇总
前言
数据集对应应用场景,不同的应用场景有不同的检测难点以及对应改进方法,本系列整理汇总领域内的数据集,方便大家下载数据集,若无法下载可关注后私信领取。关注免费领取整理好的数据集资料!
一、TinyPerson数据集
在 TinyPerson 中有 1610 个标记图像和 759 个未标记图像(两者主要来自同一视频集),总共有 72651 个注释。对于微小人物检测任务,测试集的评估规则如下:我们将“海”和“地”视为一个类(“人”)。只有“正常”框被视为阳性框。评估时不使用“密集图像”(包含“密集”框)。“忽略”框与行人检测相同,在评估时既不是阳性也不是阴性,这意味着匹配“忽略”的检测结果不会是FP(假阳性)或TP(真阳性)。评估时,“不确定”框与“忽略”框处理相同。在测试集中,有13787个正注释,1989+2834个忽略(“不确定”与“忽略”处理相同)注释。对于基准测试中的训练,我们将“正常”框视为正框,并用图像中区域的平均值擦除“忽略”和“不确定”区域,密集图像不用于训练。
转换好格式数据集:关注后私信领取
下载链接【点此处即可下载】
二、密集行人检测数据集
WiderPerson 数据集是野外行人检测基准数据集,其图像选自广泛的场景,不再局限于交通场景。 我们选择了 13,382 张图像并标记了大约 400K 带有各种遮挡的注释。 我们随机选择 8000/1000/4382 图像作为训练、验证和测试子集。 与 CityPersons 和 WIDER FACE 数据集类似,我们不发布测试图像的边界框基本事实。 用户需要提交最终的预测文件,我们将进行评估。
下载链接【点此处即可下载】
三、加州理工学院行人检测数据集
加州理工学院行人数据集由大约 10 小时的 640x480 30Hz 视频组成,该视频取自在城市环境中通过常规交通行驶的车辆。 注释了大约 250,000 帧(在 137 个大约分钟长的片段中),总共 350,000 个边界框和 2300 个独特的行人。 注释包括边界框和详细的遮挡标签之间的时间对应关系。
下载链接【点此处即可下载】
转换好格式数据集:关注后私信领取
未完待续。。。。
目前本人下载整理了以下数据集,无法找到下载方式的朋友可关注私信我领取。
相关文章
- 【目标检测】YOLOv5跑通VisDrone数据集
- DL之MaskR-CNN:基于类MaskR-CNN算法(RetinaNet+mask head)利用数据集(resnet50_coco_v0.2.0.h5)实现目标检测和目标图像分割(语义分割)
- 多角度分析,通讯时序数据的预测与异常检测挑战
- Sidetable:一种高效的 Python 数据框处理工具!
- Python实现Prophet时间序列数据建模与异常值检测(Prophet算法)项目实战
- VL28—输入序列不连续的序列检测(移位寄存器实现):输入信号data,检测data是data_valid,但data_valid要有信号过来指定data有效,当输入数据是0110时,match=1。
- 从信用卡欺诈模型看不平衡数据分类(1)数据层面:使用过采样是主流,过采样通常使用smote,或者少数使用数据复制。过采样后模型选择RF、xgboost、神经网络能够取得非常不错的效果。(2)模型层面:使用模型集成,样本不做处理,将各个模型进行特征选择、参数调优后进行集成,通常也能够取得不错的结果。(3)其他方法:偶尔可以使用异常检测技术,IF为主
- 目标检测算法——农业作物开源数据集汇总(收藏)
- 目标检测算法——图像去噪开源数据集汇总(速速收藏)
- 目标检测算法——关键点检测数据集汇总(附下载链接)
- 目标检测算法——人脸识别数据集汇总(附下载链接)
- 目标检测算法——人体姿态估计数据集汇总(附下载链接)
- detectron2(目标检测框架)无死角玩转-02:训练,测试coco数据
- DL之RetinaNet:基于RetinaNet算法(keras框架)利用resnet50_coco数据集(.h5文件)实现目标检测
- YOLOv7(目标检测)数据集、训练、推理过程
- [YOLOv7]基于YOLOv7的绝缘子缺陷检测系统(源码&部署教程&数据集)
- [完整源码&UI界面&视频安装教程&鸟巢数据集]输电塔绝缘子上鸟巢检测Python&YOLOv5源码
- 20179.4,考虑置信区间数据清洗和结果均值检测