Saliency-Detection-Dataset

这是一个包含多个数据集的仓库，用于分割和显著性检测，涵盖了RGB显著性、RGB-D显著性、RGB-T显著性、伪装对象检测(COD)、二分图像分割、高分辨率显著性、共显著性、视频显著性等多个类别。

This repository encompasses a collection of datasets tailored for segmentation and saliency detection, spanning a diverse array of categories including RGB saliency, RGB-D saliency, RGB-T saliency, camouflaged object detection (COD), binary image segmentation, high-resolution saliency, co-saliency, and video saliency.

原始信息汇总

数据集概述

本数据集名为“Another Awesome Dataset List”，专注于图像分割和显着性检测领域，提供了多种类型的数据集，包括RGB显着性、RGB-D显着性、RGB-T显着性、COD（伪装对象检测）、二分图像分割、高分辨率显着性、共显着性、视频显着性等。

数据集详细分类

RGB Saliency

• MSRA(MSRA10K/MSRA-B)
  • 包含10000张图像，提供像素级显着对象标注。
  • 相关论文需引用：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。
• ASD(MSRA1000/MSRA1K)
  • 包含1000张图像，基于MSRA-A数据集，提供像素级显着对象标注。
• 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。
• DUTS
  • 包含10553个训练图像和5019个测试图像，是目前最大的显着性检测基准。
• SOC (Salient Objects in Clutter)
  • 包含6000张图像，每个显着对象图像都标注了实例级SOD真值、对象类别和挑战因素。
• HKU-IS
  • 包含4447个具有显着对象的像素注释图像。
• SOD (Salient Object Dataset)
  • 基于Berkeley Segmentation Dataset(BSD)，包含300个图像，每个图像有七个对象选择显着对象。
• Infrared
  • 包含数百个彩色(RGB)和近红外(NIR)场景的图像。
• ImgSal
  • 包含235个彩色图像，分为六个不同的类别，提供人类固定记录和人类标记结果。
• ECSSD/CSSD
  • ECSSD包含1000张图像，CSSD包含200张图像，均提供地面真相掩码。
• THUR15K
  • 包含15000张图像，其中6000多个图像有像素精确的地面实况注释。

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

数据集使用注意事项

• 使用数据集时，请引用相关论文。
• 数据集详情和下载链接请参考各数据集的官方项目页面。

搜集汇总

数据集介绍

构建方式

Saliency-Detection-Dataset数据集的构建方式主要依赖于多源图像数据的收集与人工标注。该数据集整合了来自多个公开数据集的图像，如MSRA、SED、DUT-OMRON等，涵盖了RGB、RGB-D、RGB-T等多种图像类型。每个图像都经过人工标注，提供了像素级的显着对象标注，确保了数据集的高质量与准确性。此外，数据集还包含了不同类型的显着对象检测任务，如单目标、多目标、复杂背景等，以满足不同研究需求。

特点

Saliency-Detection-Dataset数据集的特点在于其多样性和高质量的标注。首先，数据集包含了多种图像类型，如RGB、RGB-D、RGB-T等，能够支持多模态显着对象检测的研究。其次，数据集中的图像具有复杂的背景和多样的显着对象，增加了检测任务的难度，为算法评估提供了更具挑战性的场景。此外，数据集还提供了多种标注形式，如像素级标注、边界框标注等，便于不同类型的研究使用。

使用方法

Saliency-Detection-Dataset数据集的使用方法灵活多样，适用于多种显着对象检测任务。研究者可以直接下载数据集，并根据需要选择不同的子集进行训练和测试。数据集提供了详细的标注信息，研究者可以利用这些标注进行模型训练和性能评估。此外，数据集还支持多种图像处理和分析工具，便于研究者进行数据预处理和结果分析。在使用数据集时，建议引用相关文献，以确保学术规范。

背景与挑战

背景概述

Saliency-Detection-Dataset 是一个专注于显著性检测的图像数据集，由南开大学媒体计算实验室等机构的研究人员创建。该数据集包含了多种类型的显著性检测任务，如RGB显著性、RGB-D显著性、RGB-T显著性等，涵盖了从简单的单目标检测到复杂的多目标检测场景。数据集的创建旨在为显著性检测算法提供一个标准化的评估平台，推动该领域的发展。通过收集和标注大量的高质量图像，研究人员为显著性检测算法的研究提供了丰富的实验数据。

当前挑战

显著性检测领域的挑战主要集中在如何准确地从复杂的背景中识别和分割出显著对象。首先，不同场景下的显著对象可能具有不同的特征，如大小、形状和颜色，这增加了检测的难度。其次，背景的复杂性和噪声干扰也是显著性检测中的重要挑战。此外，数据集的构建过程中，标注的准确性和一致性也是一个关键问题，尤其是在多用户标注的情况下，如何确保标注结果的可靠性是一个亟待解决的问题。

常用场景

经典使用场景

Saliency-Detection-Dataset 数据集在显著性检测领域中具有广泛的应用，尤其是在图像分割和目标检测任务中。该数据集包含了多种类型的图像，如RGB图像、RGB-D图像和红外图像，涵盖了从简单到复杂的多种场景。经典的使用场景包括通过分析图像中的显著区域来实现自动图像分割，或者在复杂背景中定位并提取显著目标。此外，该数据集还可用于训练深度学习模型，以提高显著性检测的准确性和鲁棒性。

衍生相关工作

Saliency-Detection-Dataset 数据集的发布催生了许多相关的经典工作。例如，基于该数据集的显著性检测算法在多个国际会议上获得了广泛关注，推动了显著性检测技术的进步。此外，该数据集还被用于开发新的深度学习模型，如基于多尺度特征的显著性检测网络，进一步提升了检测的精度和效率。同时，该数据集还激发了研究人员对显著性检测在不同领域应用的探索，如视频显著性检测和多模态显著性检测等。

数据集最近研究

最新研究方向

在显著性检测领域，Saliency-Detection-Dataset数据集的最新研究方向主要集中在多模态显著性检测和复杂场景下的显著性分析。随着深度学习技术的进步，研究人员正致力于开发能够处理RGB、RGB-D、RGB-T等多种模态数据的显著性检测模型，以应对不同场景下的复杂性。此外，显著性检测在视频中的应用也成为一个热点，研究者们正在探索如何利用时空信息来提高视频显著性检测的准确性和鲁棒性。这些研究不仅推动了显著性检测技术的发展，还为自动驾驶、人机交互等领域的应用提供了新的可能性。