Coil100-Augmented

该数据集来源于Coil100，包含超过110万张图像，涵盖100个对象。每个对象在360度旋转台上旋转，以固定彩色相机拍摄，每5度拍摄一次，每个对象有72个姿态。此外，还应用了平面旋转（9个角度）和18个缩放因子，以消除因子之间的依赖性。数据集特别设计用于真实图像的解耦表示学习，包含对象、3D姿态、旋转和缩放四个变化因子。还有二值化版本可供使用。

This dataset is derived from Coil100, containing over 1.1 million images across 100 distinct objects. For each object, it is mounted on a 360° rotating turntable and captured by a fixed color camera at 5° intervals, resulting in 72 poses per object. Additionally, planar rotations (9 angles) and 18 scaling factors are applied to eliminate interdependencies between variation factors. This dataset is specifically designed for disentangled representation learning on real-world images, with four core variation factors: object identity, 3D pose, planar rotation, and scaling. A binarized version of the dataset is also available.

原始信息汇总

数据集详情

数据集概述

该数据集源自Coil100，包含超过110万张图像，涉及100个对象。每个对象在旋转台上旋转360度，以改变对象相对于固定彩色摄像机的姿态。图像在每5度姿态间隔处拍摄，每个对象对应72个姿态。

除了原始数据集外，还应用了平面旋转（9个角度）和18个缩放因子，以消除因子之间的依赖性。对象具有多种复杂的几何和反射特性。

数据集增强

该增强版本的Coil100特别设计用于真实图像的解耦表示学习，变量因子如下：

因子	值的数量
对象	100
3D姿态	72
旋转	9
缩放	18

此外，还提供了二值化版本。

下载方式

使用Python 3.0以上版本，安装huggingface_hub后，可以通过以下命令下载RGB数据集：

python download_coil100.py

若需要二值化版本，请运行：

python download_coil100_binary.py

引用

如果使用该数据集，请引用：

BibTeX: bibtex @article{dapueto2024transferring, title={Transferring disentangled representations: bridging the gap between synthetic and real images}, author={Dapueto, Jacopo and Noceti, Nicoletta and Odone, Francesca}, journal={arXiv preprint arXiv:2409.18017}, year={2024} }

用途

该数据集仅用于非商业研究目的。

数据集卡片作者

Jacopo Dapueto

搜集汇总

数据集介绍

构建方式

Coil100-Augmented数据集源自Coil100，通过在旋转台上对100个物体进行360度旋转拍摄，每5度拍摄一次，生成每个物体72个不同姿态的图像。此外，该数据集还通过应用平面旋转（9个角度）和18种缩放因子进行了增强，确保各变量之间无依赖性。这种增强设计特别适用于真实图像的解耦表示学习，涵盖了物体、3D姿态、旋转和缩放等多个变量。

特点

该数据集具有多样化的几何和反射特性，适用于图像特征提取、分类、3D重建和分割等任务。其增强版本特别设计用于解耦表示学习，提供了丰富的变量组合，包括100个不同物体、72种3D姿态、9种旋转角度和18种缩放因子。此外，还提供了二值化版本，以满足不同研究需求。

使用方法

用户可通过安装huggingface_hub库并运行相应的Python脚本下载RGB或二值化版本的Coil100-Augmented数据集。下载RGB版本可运行'python download_coil100.py'，而下载二值化版本则运行'python download_coil100_binary.py'。该数据集主要用于非商业研究目的，适合进行图像处理和机器学习相关研究。

背景与挑战

背景概述

Coil100-Augmented数据集源自于Coil100数据集，由Jacopo Dapueto等人创建，旨在推动解耦表示学习在真实图像中的应用。该数据集包含了100个物体的超过110万张图像，每个物体在360度旋转中以5度间隔拍摄，共72个姿态。此外，数据集还增加了平面旋转（9个角度）和18个缩放因子，以消除各因素之间的依赖性。这些物体具有复杂的几何和反射特性，使得该数据集在图像特征提取、分类、3D重建和分割等任务中具有广泛的应用前景。

当前挑战

Coil100-Augmented数据集在构建过程中面临的主要挑战包括：首先，如何确保在增加旋转和缩放因子后，各因素之间保持独立性，以支持解耦表示学习；其次，处理超过110万张图像的数据量，对存储和计算资源提出了高要求。此外，由于物体具有复杂的几何和反射特性，如何准确捕捉这些特性并应用于图像处理任务也是一个重要挑战。

常用场景

经典使用场景

Coil100-Augmented数据集在图像特征提取和分类任务中展现了其经典应用。通过包含100个对象在360度旋转中的72个不同姿态，结合平面旋转和缩放变化，该数据集为研究者提供了丰富的图像数据，特别适用于探索图像在不同视角和尺度下的特征表示。此外，其设计初衷还包括用于真实图像的解耦表示学习，使得该数据集在图像识别和3D重建等领域具有广泛的应用潜力。

衍生相关工作

基于Coil100-Augmented数据集，研究者们开展了多项经典工作，包括但不限于解耦表示学习、图像到3D模型的转换以及图像分割技术。这些研究不仅深化了对图像特征的理解，还推动了相关算法的发展，如生成对抗网络（GANs）在图像生成和增强中的应用，以及深度学习模型在多视角图像处理中的优化。这些衍生工作为计算机视觉领域的进一步研究奠定了坚实的基础。

数据集最近研究

最新研究方向

在计算机视觉领域，Coil100-Augmented数据集因其丰富的图像特征和多样的变量因素，成为解耦表示学习（Disentangled Representation Learning）研究的前沿。该数据集通过引入平面旋转和尺度变化，增强了原始Coil100数据集的复杂性，特别适用于从合成图像到真实图像的迁移学习研究。当前的研究热点集中在如何利用这些解耦的变量因素，提升模型在复杂几何和反射特性对象上的分类与分割性能，尤其是在处理真实世界图像时的鲁棒性和泛化能力。