VOC-360 和 Wider-360|计算机视觉数据集|鱼眼图像处理数据集

arXiv2019-06-28 更新2024-07-18 收录

计算机视觉

鱼眼图像处理

下载链接：

VOC-360: http://dx.doi.org/10.25314/ca0092b1-1e87-4928-b5f5ebae30decb8d, Wider-360: https://researchdata.sfu.ca/pydio_public/c09804

下载链接

链接失效反馈

资源简介：

VOC-360和Wider-360是西蒙弗雷泽大学工程科学学院创建的两个新型鱼眼图像数据集，用于训练面部和物体检测模型。VOC-360包含39,575张用于物体检测、分割和分类的鱼眼图像，而Wider-360包含63,897张用于面部检测的鱼眼图像。这些数据集通过将VOC2012和Wider Face数据集中的常规图像转换为鱼眼图像而创建，适用于开发鱼眼图像的面部和物体检测器及分割模块。数据集的应用领域包括计算机视觉和模式识别，旨在解决鱼眼图像中的物体检测和面部识别问题。

提供机构：

西蒙弗雷泽大学工程科学学院

创建时间：

2019-06-28

AI搜集汇总

数据集介绍

构建方式

VOC-360和Wider-360数据集通过后处理来自VOC2012和Wider Face两个知名数据集的常规图像构建而成。这些常规图像首先被转换为鱼眼图像，转换过程基于Matlab实现的从常规图像到鱼眼图像的映射模型。具体而言，原始图像中的方形区域被采样并转换为圆形区域，随后通过进一步的挤压处理生成鱼眼效果。此外，所有相关的标注信息，包括对象检测、分类和分割的标注，均被转换为适应鱼眼图像坐标系的新格式。

使用方法

VOC-360数据集适用于训练机器学习模型进行对象检测、分类和分割，其图像和标注文件分别存储在不同的目录中，便于访问和处理。Wider-360数据集则适用于训练人脸检测模型，其图像根据场景类型组织，标注信息以MAT文件格式存储，便于提取和使用。用户可以通过提供的链接访问这些数据集，并根据需要进行训练、测试和验证。

背景与挑战

背景概述

VOC-360和Wider-360数据集由加拿大西蒙弗雷泽大学工程科学学院的Jianglin Fu、Ivan V. Bajić和Rodney G. Vaughan于2019年创建，旨在为鱼眼图像中的人脸和物体检测提供训练数据。这两个数据集通过后处理来自VOC2012和Wider Face的常规图像，利用Matlab实现的模型将其转换为鱼眼图像，并相应调整标注。VOC-360包含39,575张鱼眼图像，适用于物体检测、分割和分类；Wider-360则包含63,897张鱼眼图像，专为面部检测设计。这些数据集的推出填补了鱼眼图像领域在深度学习应用中的空白，为研究人员和工程师提供了宝贵的资源，尤其是在真实鱼眼图像采集和手动标注尚在进行中的背景下。

当前挑战

VOC-360和Wider-360数据集在构建过程中面临多项挑战。首先，鱼眼图像的非线性几何畸变使得从常规图像到鱼眼图像的转换变得复杂，需要精确的坐标映射和标注调整。其次，鱼眼图像的特殊视角和畸变特性对物体和人脸检测算法提出了更高的要求，现有的检测模型在鱼眼图像上的性能可能显著下降。此外，数据集的标注工作也面临挑战，尤其是如何准确地将常规图像的标注转换为鱼眼图像的标注，确保标注的精度和一致性。这些挑战不仅影响了数据集的构建效率，也对后续的模型训练和评估提出了更高的技术要求。

常用场景

经典使用场景

VOC-360和Wider-360数据集的经典使用场景主要集中在鱼眼图像中的人脸和物体检测任务。VOC-360数据集适用于训练物体检测、分类和分割模型，而Wider-360数据集则专注于人脸检测。这两个数据集通过提供经过处理的鱼眼图像及其相应的标注，为研究人员和工程师提供了在鱼眼图像上直接训练深度学习模型的宝贵资源。

解决学术问题

VOC-360和Wider-360数据集解决了鱼眼图像中物体和人脸检测的学术研究难题。由于鱼眼图像的特殊几何畸变，传统的检测算法在鱼眼图像上表现不佳。这两个数据集通过提供大量的鱼眼图像及其标注，使得研究人员能够开发和验证专门针对鱼眼图像的检测算法，从而推动了鱼眼图像处理领域的发展。

实际应用

在实际应用中，VOC-360和Wider-360数据集广泛应用于监控系统、自动驾驶和增强现实等领域。例如，在监控系统中，鱼眼摄像头可以提供更广阔的视野，而这两个数据集可以帮助开发更精确的物体和人脸检测算法，从而提高监控系统的效率和准确性。此外，在自动驾驶中，鱼眼摄像头可以捕捉到车辆周围的全景信息，而这两个数据集则为开发适应鱼眼图像的感知算法提供了重要支持。

数据集最近研究