遇见数据集

orlando23/screendata

收藏
Hugging Face2024-07-01 更新2024-07-06 收录
官方服务:

资源简介:

Android Screen Hierarchical Layout dataset (ASHL) 用于训练层次布局树的检测模型。该数据集包含来自2,180个屏幕截图的约52,000个边界框,这些边界框被标记为全局或局部区域,涵盖了18个不同的Android应用程序。数据集的收集过程基于MagicWand模拟器完全自动化,首先根据预记录的人类导航不同Android应用程序的操作来采样屏幕截图及其对应的源代码,然后从源代码中提取具有预定义坐标的GUI区域$R_i$,这些区域成为树结构中的节点和叶子。

The Android Screen Hierarchical Layout dataset (ASHL) is used to train a detection model for the Hierarchical Layout Tree. This dataset contains around 52,000 bounding boxes from 2,180 screenshots, covering 18 different Android applications. The bounding boxes are labeled as either global or local regions. The collection process of the dataset is fully automated, based on the MagicWand simulator, where screenshots and their corresponding source codes are sampled based on pre-recorded actions of humans navigating different Android applications. Then, GUI regions $R_i$ are extracted from the source codes with predefined coordinates to become nodes and leaves in a tree structure.

提供机构:
orlando23
原始信息汇总

Android Screen Hierarchical Layout dataset

概述

  • 名称: Android Screen Hierarchical Layout dataset (ASHL)
  • 用途: 用于训练层次布局树的检测模型
  • 数据量:
    • 约52,000个边界框
    • 2,180张截图
    • 涵盖18个不同的Android应用程序
  • 标签: 边界框标记为全局或局部区域
  • 数据收集:
    • 基于MagicWand模拟器自动收集
    • 通过预先记录的人类导航不同Android应用程序的动作进行截图和源代码采样
    • 从源代码中提取GUI区域,形成树结构的节点和叶子

引用

  • BibTeX: bibtex @misc{fan2024readpointedlayoutawaregui, title={Read Anywhere Pointed: Layout-aware GUI Screen Reading with Tree-of-Lens Grounding}, author={Yue Fan and Lei Ding and Ching-Chen Kuo and Shan Jiang and Yang Zhao and Xinze Guan and Jie Yang and Yi Zhang and Xin Eric Wang}, year={2024}, eprint={2406.19263}, archivePrefix={arXiv}, primaryClass={cs.CL}, url={https://arxiv.org/abs/2406.19263}, }

    @inproceedings{dingenhancing, title={Enhancing Mobile" How-to" Queries with Automated Search Results Verification and Reranking}, author={Ding, Lei and Zhang, Yi and Bheemanpally, Jeshwanth}, booktitle={The Second Workshop on Generative Information Retrieval} }

搜集汇总
数据集介绍
orlando23/screendata 数据集图片
构建方式
在移动界面理解与自动化测试的交叉研究领域中,数据集的构建质量直接影响模型的泛化能力。Android Screen Hierarchical Layout数据集(简称ASHL)通过全自动流程构建,依托MagicWand模拟器,首先基于人类在18种不同Android应用中导航的预记录动作,采样截图及其对应的源代码。随后,从源代码中提取具有预定义坐标的GUI区域,将其组织为树结构中的节点与叶子节点。该过程共生成2,180张截图,涵盖约52,000个边界框,这些边界框被标记为全局或局部区域,从而形成层次化布局树的基础。
特点
ASHL数据集的核心特点在于其层次化布局树的结构设计,这使其区别于传统的平面化GUI数据集。每个边界框不仅具有坐标标注,还通过树结构关联,反映了界面元素之间的包含与层级关系。数据集覆盖18种不同Android应用,确保了场景的多样性,且全局与局部区域的区分有助于模型理解界面整体与局部细节。此外,全自动化的采集流程保证了标注的一致性与可扩展性,为布局感知的GUI阅读模型提供了坚实的训练基础。
使用方法
该数据集主要用于训练层次化布局树的检测模型,适用于布局感知的GUI屏幕阅读任务。使用时,可将数据集加载为标准的边界框格式,配合树结构标签进行模型训练。研究人员可基于PyTorch等框架,利用其提供的边界框坐标与层级关系,设计检测器或图神经网络模型。建议结合论文中描述的Tree-of-Lens机制,以充分利用层次化信息进行推理。数据集的Apache-2.0许可允许广泛使用,引用时需注明相关文献。
背景与挑战
背景概述
在图形用户界面(GUI)理解与自动化交互的研究领域,层次化布局信息的解析对于提升智能体在移动设备上的导航与操作能力至关重要。由Fan、Ding等研究人员于2024年提出的Android Screen Hierarchical Layout数据集(简称ASHL),旨在构建一种能够从屏幕截图中提取层次化布局树(Hierarchical Layout Tree)的检测模型。该数据集依托MagicWand模拟器,通过自动记录人类在18个不同Android应用中的导航行为,采样屏幕截图及其对应的源代码,进而从源代码中提取具有预定义坐标的GUI区域,形成包含约52,000个边界框的2,180张屏幕截图集合。ASHL的发布为GUI理解领域提供了标准化的训练资源,显著推动了布局感知的屏幕阅读与多模态交互研究的发展。
当前挑战
ASHL数据集面临的核心挑战在于所解决的领域问题与构建过程的双重复杂性。在领域问题层面,层次化布局树的检测需要模型同时识别全局和局部GUI区域,并理解它们之间的树状结构关系,这超越了传统目标检测任务对孤立元素的识别,要求模型具备对界面语义层级与空间布局的深层推理能力。在构建过程中,数据集的自动化采集依赖于MagicWand模拟器对预记录人类导航行为的复现,这一过程面临动作序列与屏幕状态变化的非确定性匹配难题,同时从源代码中提取GUI区域时,预定义坐标的准确性受限于应用版本迭代与动态内容渲染的差异,可能导致标注边界框与真实界面元素之间存在偏移,增加模型训练的噪声与泛化难度。
常用场景
经典使用场景
在移动界面理解与自动化交互的研究领域中,orlando23/screendata(Android Screen Hierarchical Layout dataset)被广泛用于训练层次化布局树的检测模型。该数据集涵盖了来自18款不同Android应用的2180张截图,包含约5.2万个标注边界框,每个区域被精确标记为全局或局部组件。研究者借助这一资源,能够构建从像素级界面到结构化布局树的映射模型,从而实现对GUI界面语义层次的深度理解,为后续的界面解析与自动化操作奠定了基础。
衍生相关工作
基于该数据集,研究者衍生出一系列经典工作。例如,Fan等人提出的《Read Anywhere Pointed: Layout-aware GUI Screen Reading with Tree-of-Lens Grounding》利用层次化布局树实现了任意位置指向的屏幕阅读,显著提升了GUI文本定位的精度。Ding等人则在《Enhancing Mobile 'How-to' Queries with Automated Search Results Verification and Reranking》中借助该数据集验证了移动端操作查询的自动化结果重排序方法。这些工作共同推动了移动界面理解领域的理论深化与应用拓展。
数据集最近研究
最新研究方向
在当前人机交互与计算机视觉的交叉领域,Android屏幕层次布局数据集(ASHL)的发布标志着移动端GUI理解研究迈入新阶段。该数据集包含来自2180张截图的约5.2万个边界框,覆盖18款不同Android应用,通过MagicWand模拟器实现全自动采集流程,从人类导航行为中同步采样截图与源代码,进而提取具有层次树结构的GUI区域。这一创新数据构建范式直接服务于前沿的布局感知屏幕阅读技术,如Tree-of-Lens接地方法,使得模型能够精准定位任意指向区域,突破传统屏幕阅读的平面化局限。结合多模态大模型与自动化查询验证等热点事件,ASHL为移动端智能助手、无障碍交互及自动化测试提供了关键训练资源,其层次化标注方式有望推动GUI理解从简单元素识别向结构化语义解析的范式转变,在提升移动应用可用性与用户交互体验方面具有深远意义。
以上内容由遇见数据集搜集并总结生成
二维码
社区交流群
二维码
科研交流群
商业服务