多个数据集

github2024-05-20 更新2024-05-31 收录

下载链接：

https://github.com/lartpang/Segmentation-Saliency-Dataset

下载链接

链接失效反馈

官方服务：

资源简介：

该仓库包含多个用于分割和显著性检测的数据集，涵盖RGB、RGB-D、RGB-T等多种类型，以及视频对象分割和图像分割等应用。

This repository encompasses a variety of datasets designed for segmentation and saliency detection, covering multiple types such as RGB, RGB-D, RGB-T, and applications including video object segmentation and image segmentation.

创建时间：

2018-12-30

原始信息汇总

数据集概述

本数据集列表包含多个子类别，涵盖了从RGB到RGB-D、RGB-T以及COD（Camouflaged Object Detection）等多种类型的显着性检测数据集。此外，还包括了图像和视频的分割数据集，以及异常检测和图像马赛克等其他相关数据集。

主要数据集分类

显着性检测

RGB Saliency
- MSRA(MSRA10K/MSRA-B)
  - 包含10000张图像，提供像素级显着对象标注。
  - 引用论文：Learning to detect a salient object
- SED1/2
  - 包含200个灰度图像，每个图像由三个不同的人类对象分割。
  - 引用论文：Salient objectdetection: A benchmark
- ASD(MSRA1000/MSRA1K)
  - 包含1000张图像，提供像素级显着对象标注。
  - 引用论文：A two-stage approach to saliency detection inimages
- DUT-OMRON
  - 包含5168个高质量图像，具有一个或多个显着对象和复杂背景。
  - 引用论文：Saliency detection via graph-based manifold ranking
- DUTS
  - 包含10553训练图像和5019测试图像，是目前最大的显着性检测基准。
  - 引用论文：http://saliencydetection.net/duts/
- SOC (Salient Objects in Clutter)
  - 包含6000张图像，每张图像标注有实例级显着对象、对象类别和挑战因素。
  - 引用论文：Salient Objects in Clutter
- HKU-IS
  - 包含4447个具有显着对象的像素注释的图像。
  - 引用论文：Visual Saliency Based on Multiscale Deep Features
- SOD (Salient Object Dataset)
  - 基于Berkeley Segmentation Dataset(BSD)的显着对象边界的集合。
  - 引用论文：http://elderlab.yorku.ca/SOD/
- Infrared
  - 包含数百个彩色(RGB)和近红外(NIR)场景的图像。
  - 引用论文：http://infoscience.epfl.ch/record/167478
- ImgSal
  - 包含235个彩色图像，提供人类固定记录和人类标记结果。
  - 引用论文：https://sites.google.com/site/jianlinudt/saliency-database
- ECSSD/CSSD
  - CSSD包含200张图，ECSSD是扩展集包含1000张图。
  - 引用论文：http://www.cse.cuhk.edu.hk/leojia/projects/hsaliency/dataset.html
- THUR15K
  - 包含15000张图像，提供像素级显着对象标注。
  - 引用论文：https://mmcheng.net/zh/gsal/
RGB-D Saliency
- SIP
- NLPR/RGBD1000
- NJU400/2000
- STEREO/SSB
- LFSD
- RGBD135/DES
- DUT-RGBD/DUTLF-Depth
- SSD/SSD100
- ReDWeb-S
- COME15K
RGB-T Saliency
- UVT2000
- un-VT821/1000/5000
- VT723
- VT5000
- VT1000
- VT821
COD (Camouflaged Object Detection)
- NC4K
- COD10K
- CAMO
- CHAMELEON
- CPD1K: Camouflaged People Dataset
- MoCA-Mask
Dichotomous Image Segmentation
- DIS5K
High-Resolution Saliency
- HRSOD/DAVIS-S
Co-Saliency
- ImagePair
- MSRC
- WICOS
- iCoSeg
- CoCA: Common Category Aggregation (CoCA) dataset
- CoSal2015
- CoSOD3k
- RGBDCosal150
- RGBDCoseg183
- INCT2016
Video Saliency
- RSD(PKU-RSD)
- STC
Other
- XPIE
- SOS
- MSO
- ILSO-1K/2K
- HS-SOD
- KAIST Salient Pedestrian Dataset
- Grayscale-Thermal Foreground Detection Dataset

分割

VOS (Video Object Segmentation)
- DAVIS
- TAO-VOS
- OVOS
Image Segmentation
- aNYU
- Supervisely人像数据集
- Clothing Parsing
- HumanParsing-Dataset
- Look into Person (LIP)
- Taobao Commodity Dataset (TCD)
- Object Extraction Dataset
- Clothing Co-Parsing (CCP) Dataset
- People segmentation dataset

异常检测

MVTec AD
MPDD

马赛克

alphamatting.com
Composition-1k: Deep Image Matting
Semantic Human Matting
Matting-Human-Datasets
PFCN
Deep Automatic Portrait Matting

其他

Large-scale Fashion (DeepFashion) Database
Tencent ML-Images

引用要求

使用本数据集时，请引用相关论文。具体引用信息请参阅各数据集的详细描述。

搜集汇总

数据集介绍

构建方式

该数据集的构建方式主要依赖于多用户的手动标注和投票策略。首先，从各种来源收集高质量的图像，并筛选出包含显著对象的图像。随后，通过多个用户的标注，绘制出图像中显著对象的边界框，并进行一致性校验，以确保标注的准确性。最终，形成了一个包含数万张图像的数据库，每张图像都附有像素级的显著对象标注，为视觉注意算法的研究提供了丰富的数据支持。

特点

该数据集的特点在于其大规模、多样性和高精度标注。首先，数据集包含超过10,000张图像，涵盖了多种场景和对象类别，确保了数据的广泛性。其次，每张图像都经过多用户的手动标注，确保了标注的准确性和一致性。此外，数据集还提供了多种类型的标注，包括边界框、像素级标注和眼睛固定标注，为不同类型的研究提供了丰富的数据支持。

使用方法

该数据集主要用于显著对象检测和图像分割等计算机视觉任务。用户可以通过下载数据集，使用其中的图像和标注进行模型训练和评估。在使用过程中，建议用户引用相关的研究论文，以确保数据的合法使用。此外，数据集还提供了多种评估工具和代码，帮助用户更方便地进行算法评估和比较。

背景与挑战

背景概述

多个数据集项目汇集了多个领域的显着性检测数据集，涵盖了RGB、RGB-D、RGB-T等多种图像类型，以及视频显着性检测等多个方向。这些数据集由南开大学媒体计算实验室、香港大学、耶路撒冷希伯来大学等多个知名研究机构和学者共同创建，旨在为显着性检测领域的研究提供丰富的实验数据。数据集的创建时间跨度较大，最早可追溯到2007年，涵盖了显着性检测领域的多个经典问题，如单目标显着性检测、多目标显着性检测、复杂背景下的显着性检测等。这些数据集的发布对显着性检测算法的研究和评估起到了重要的推动作用，尤其是在深度学习技术广泛应用的背景下，为模型的训练和验证提供了高质量的标注数据。

当前挑战

显着性检测数据集的构建面临诸多挑战。首先，显着性检测的定义本身具有主观性，不同用户对图像中显着对象的认知可能存在差异，因此在标注过程中需要通过多用户投票策略来减少标签不一致性。其次，数据集的多样性和复杂性也是一个重要挑战，尤其是在处理复杂背景、多目标场景以及不同光照条件下的显着性检测时，模型的鲁棒性和泛化能力面临较大考验。此外，数据集的构建过程需要大量的人工标注，如何提高标注效率和准确性也是一个亟待解决的问题。最后，随着深度学习技术的发展，如何利用大规模数据集进行有效的模型训练，并在不同场景下进行泛化，仍然是显着性检测领域的一个重要挑战。

常用场景

经典使用场景

该数据集主要用于显著性检测（Saliency Detection）领域，特别是在图像分割和对象检测任务中。通过提供大量带有像素级标注的图像，研究者可以训练和评估显著性检测算法，以识别图像中最引人注目的对象。这些数据集的经典使用场景包括图像分割、对象检测、视觉注意力分析等，尤其是在复杂背景和多对象场景中，显著性检测算法的表现尤为重要。

衍生相关工作

基于该数据集，研究者们开发了多种显著性检测算法，并提出了许多改进方法。例如，基于深度学习的显著性检测模型通过利用该数据集进行训练，显著提升了检测精度和鲁棒性。此外，该数据集还促进了多模态显著性检测的研究，如结合RGB和深度信息进行显著性分析。这些衍生工作不仅推动了显著性检测技术的发展，也为其他相关领域的研究提供了宝贵的数据资源。

数据集最近研究