eugenesiow/BSD100

---
annotations_creators:
- machine-generated
language_creators:
- found
language: []
license:
- other
multilinguality:
- monolingual
size_categories:
- unknown
source_datasets:
- original
task_categories:
- other
task_ids: []
pretty_name: BSD100
tags:
- image-super-resolution
---

# Dataset Card for BSD100

## Table of Contents
- [Table of Contents](#table-of-contents)
- [Dataset Description](#dataset-description)
- [Dataset Summary](#dataset-summary)
- [Supported Tasks and Leaderboards](#supported-tasks-and-leaderboards)
- [Languages](#languages)
- [Dataset Structure](#dataset-structure)
- [Data Instances](#data-instances)
- [Data Fields](#data-fields)
- [Data Splits](#data-splits)
- [Dataset Creation](#dataset-creation)
- [Curation Rationale](#curation-rationale)
- [Source Data](#source-data)
- [Annotations](#annotations)
- [Personal and Sensitive Information](#personal-and-sensitive-information)
- [Considerations for Using the Data](#considerations-for-using-the-data)
- [Social Impact of Dataset](#social-impact-of-dataset)
- [Discussion of Biases](#discussion-of-biases)
- [Other Known Limitations](#other-known-limitations)
- [Additional Information](#additional-information)
- [Dataset Curators](#dataset-curators)
- [Licensing Information](#licensing-information)
- [Citation Information](#citation-information)
- [Contributions](#contributions)

## Dataset Description

- **Homepage**: https://www2.eecs.berkeley.edu/Research/Projects/CS/vision/bsds/
- **Repository**: https://huggingface.co/datasets/eugenesiow/BSD100
- **Paper**: https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=937655
- **Leaderboard**: https://github.com/eugenesiow/super-image#scale-x2

### Dataset Summary

BSD is a dataset used frequently for image denoising and super-resolution. Of the subdatasets, BSD100 is aclassical image dataset having 100 test images proposed by [Martin et al. (2001)](https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=937655). The dataset is composed of a large variety of images ranging from natural images to object-specific such as plants, people, food etc. BSD100 is the testing set of the Berkeley segmentation dataset BSD300.

Install with `pip`:
```bash
pip install datasets super-image
```

Evaluate a model with the [`super-image`](https://github.com/eugenesiow/super-image) library:
```python
from datasets import load_dataset
from super_image import EdsrModel
from super_image.data import EvalDataset, EvalMetrics

dataset = load_dataset('eugenesiow/BSD100', 'bicubic_x2', split='validation')
eval_dataset = EvalDataset(dataset)
model = EdsrModel.from_pretrained('eugenesiow/edsr-base', scale=2)
EvalMetrics().evaluate(model, eval_dataset)
```

### Supported Tasks and Leaderboards

The dataset is commonly used for evaluation of the `image-super-resolution` task.

Unofficial [`super-image`](https://github.com/eugenesiow/super-image) leaderboard for:
- [Scale 2](https://github.com/eugenesiow/super-image#scale-x2)
- [Scale 3](https://github.com/eugenesiow/super-image#scale-x3)
- [Scale 4](https://github.com/eugenesiow/super-image#scale-x4)
- [Scale 8](https://github.com/eugenesiow/super-image#scale-x8)

### Languages

Not applicable.

## Dataset Structure

### Data Instances

An example of `validation` for `bicubic_x2` looks as follows.
```
{
"hr": "/.cache/huggingface/datasets/downloads/extracted/BSD100_HR/3096.png",
"lr": "/.cache/huggingface/datasets/downloads/extracted/BSD100_LR_x2/3096.png"
}
```

### Data Fields

The data fields are the same among all splits.

- `hr`: a `string` to the path of the High Resolution (HR) `.png` image.
- `lr`: a `string` to the path of the Low Resolution (LR) `.png` image.

### Data Splits

| name |validation|
|-------|---:|
|bicubic_x2|100|
|bicubic_x3|100|
|bicubic_x4|100|

## Dataset Creation

### Curation Rationale

[More Information Needed]

### Source Data

#### Initial Data Collection and Normalization

[More Information Needed]

#### Who are the source language producers?

[More Information Needed]

### Annotations

#### Annotation process

No annotations.

#### Who are the annotators?

No annotators.

### Personal and Sensitive Information

[More Information Needed]

## Considerations for Using the Data

### Social Impact of Dataset

[More Information Needed]

### Discussion of Biases

[More Information Needed]

### Other Known Limitations

[More Information Needed]

## Additional Information

### Dataset Curators

- **Original Authors**: [Martin et al. (2001)](https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=937655)

### Licensing Information

You are free to download a portion of the dataset for non-commercial research and educational purposes.
In exchange, we request only that you make available to us the results of running your segmentation or
boundary detection algorithm on the test set as described below. Work based on the dataset should cite
the [Martin et al. (2001)](https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=937655) paper.

### Citation Information

```bibtex
@inproceedings{martin2001database,
title={A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics},
author={Martin, David and Fowlkes, Charless and Tal, Doron and Malik, Jitendra},
booktitle={Proceedings Eighth IEEE International Conference on Computer Vision. ICCV 2001},
volume={2},
pages={416--423},
year={2001},
organization={IEEE}
}
```

### Contributions

Thanks to [@eugenesiow](https://github.com/eugenesiow) for adding this dataset.

标注创建者:
- 机器生成
语言数据源创建者:
- 公开采集
语言: []
许可协议:
- 其他
多语言属性:
- 单语言
数据规模类别:
- 未知
源数据集:
- 原始数据集
任务类别:
- 其他
任务子项:
- 无
友好名称: BSD100
标签:
- 图像超分辨率（image-super-resolution）

# BSD100 数据集卡片

## 目录
- [目录](#目录)
- [数据集描述](#数据集描述)
- [数据集概述](#数据集概述)
- [支持任务与排行榜](#支持任务与排行榜)
- [语言](#语言)
- [数据集结构](#数据集结构)
- [数据实例](#数据实例)
- [数据字段](#数据字段)
- [数据划分](#数据划分)
- [数据集构建](#数据集构建)
- [构建初衷](#构建初衷)
- [源数据](#源数据)
- [标注信息](#标注信息)
- [个人与敏感信息](#个人与敏感信息)
- [数据使用注意事项](#数据使用注意事项)
- [数据集的社会影响](#数据集的社会影响)
- [偏倚讨论](#偏倚讨论)
- [其他已知局限性](#其他已知局限性)
- [附加信息](#附加信息)
- [数据集整理者](#数据集整理者)
- [许可信息](#许可信息)
- [引用信息](#引用信息)
- [贡献](#贡献)

## 数据集描述

- **项目主页**: https://www2.eecs.berkeley.edu/Research/Projects/CS/vision/bsds/
- **代码仓库**: https://huggingface.co/datasets/eugenesiow/BSD100
- **相关论文**: https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=937655
- **排行榜**: https://github.com/eugenesiow/super-image#scale-x2

### 数据集概述
BSD数据集常被用于图像去噪与图像超分辨率（image-super-resolution）任务。在其子数据集中，BSD100是由[Martin等人(2001)](https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=937655)提出的经典图像数据集，包含100张测试图像。该数据集涵盖了丰富多样的图像类型，从自然风景到特定对象（如植物、人物、食物等）均有覆盖。BSD100是伯克利分割数据集BSD300的测试子集。

可通过`pip`进行安装：
bash
pip install datasets super-image

使用[`super-image`](https://github.com/eugenesiow/super-image)库评估模型的示例代码如下：
python
from datasets import load_dataset
from super_image import EdsrModel
from super_image.data import EvalDataset, EvalMetrics

dataset = load_dataset('eugenesiow/BSD100', 'bicubic_x2', split='validation')
eval_dataset = EvalDataset(dataset)
model = EdsrModel.from_pretrained('eugenesiow/edsr-base', scale=2)
EvalMetrics().evaluate(model, eval_dataset)

### 支持任务与排行榜
该数据集通常用于图像超分辨率（image-super-resolution）任务的模型评估。非官方的[`super-image`](https://github.com/eugenesiow/super-image)排行榜涵盖以下放大倍数场景：
- [2倍缩放](https://github.com/eugenesiow/super-image#scale-x2)
- [3倍缩放](https://github.com/eugenesiow/super-image#scale-x3)
- [4倍缩放](https://github.com/eugenesiow/super-image#scale-x4)
- [8倍缩放](https://github.com/eugenesiow/super-image#scale-x8)

### 语言
不适用。

## 数据集结构

### 数据实例
以`bicubic_x2`划分的验证集为例，其数据格式如下：

{
"hr": "/.cache/huggingface/datasets/downloads/extracted/BSD100_HR/3096.png",
"lr": "/.cache/huggingface/datasets/downloads/extracted/BSD100_LR_x2/3096.png"
}

### 数据字段
所有数据划分的数据字段均保持一致：
- `hr`: 字符串类型，指向高分辨率（High Resolution, HR）.png图像的文件路径
- `lr`: 字符串类型，指向低分辨率（Low Resolution, LR）.png图像的文件路径

### 数据划分
| 划分名称 | 验证集样本数 |
| ---- | ----: |
| bicubic_x2 | 100 |
| bicubic_x3 | 100 |
| bicubic_x4 | 100 |

## 数据集构建

### 构建初衷
[需补充更多信息]

### 源数据

#### 初始数据采集与标准化
[需补充更多信息]

#### 语言数据生产者是谁？
[需补充更多信息]

### 标注信息

#### 标注流程
无标注

#### 标注人员是谁？
无标注人员

### 个人与敏感信息
[需补充更多信息]

## 数据使用注意事项

### 数据集的社会影响
[需补充更多信息]

### 偏倚讨论
[需补充更多信息]

### 其他已知局限性
[需补充更多信息]

## 附加信息

### 数据集整理者
- **原始作者**: [Martin等人(2001)](https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=937655)

### 许可信息
您可免费下载该数据集的部分内容用于非商业性研究与教育用途。作为交换，我们仅恳请您将基于该测试集运行分割或边界检测算法的结果提供给我们，具体要求详见下文。基于本数据集开展的研究工作需引用[Martin等人(2001)](https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=937655)的论文。

### 引用信息
bibtex
@inproceedings{martin2001database,
title={A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics},
author={Martin, David and Fowlkes, Charless and Tal, Doron and Malik, Jitendra},
booktitle={Proceedings Eighth IEEE International Conference on Computer Vision. ICCV 2001},
volume={2},
pages={416--423},
year={2001},
organization={IEEE}
}

### 贡献
感谢[@eugenesiow](https://github.com/eugenesiow)为本数据集的收录提供支持。

原始信息汇总

数据集概述

数据集名称

• 名称: BSD100
• 别名: 无

数据集属性

• 语言: 无特定语言
• 许可证: 其他
• 多语言性: 单语
• 大小: 未知
• 来源: 原始数据
• 任务类别: 其他
• 标签: 图像超分辨率

数据集描述

• 摘要: BSD100是一个经典的图像数据集，包含100张测试图像，常用于图像去噪和超分辨率任务。该数据集由多种类型的图像组成，包括自然图像和特定对象图像如植物、人物、食物等。
• 支持的任务: 图像超分辨率
• 结构:
  • 数据实例: 每个实例包含高分辨率（HR）和低分辨率（LR）图像的路径。
  • 数据字段: hr（高分辨率图像路径）和lr（低分辨率图像路径）。
  • 数据分割: 包括bicubic_x2、bicubic_x3、bicubic_x4三个分割，每个分割包含100个验证数据。

数据集创建

• 原始作者: Martin et al. (2001)
• 许可证信息: 可自由下载部分数据集用于非商业研究和教育目的，需公开测试集上的分割或边界检测算法结果，并引用Martin et al. (2001)的论文。

使用注意事项

• 社会影响: 待补充
• 偏见讨论: 待补充
• 其他已知限制: 待补充

贡献者

• 添加者: @eugenesiow

搜集汇总

数据集介绍

构建方式

BSD100数据集源自于Berkeley Segmentation Dataset (BSD300)，由Martin等人于2001年提出。该数据集包含100张测试图像，涵盖了从自然景观到特定物体的多样化图像内容。数据集的构建旨在为图像去噪和超分辨率任务提供一个标准化的测试平台。BSD100的图像来源于原始BSD300数据集，经过筛选和处理后形成独立的测试集，确保了数据的高质量和多样性。

特点

BSD100数据集以其图像内容的多样性和高质量著称，适用于图像超分辨率任务的评估。该数据集包含高分辨率（HR）和低分辨率（LR）两种图像，分别用于模型训练和测试。其图像涵盖了自然景观、人物、植物、食物等多种类别，确保了数据集的广泛适用性。此外，BSD100数据集的图像质量经过严格筛选，适合用于高精度图像处理任务的基准测试。

使用方法

BSD100数据集可通过HuggingFace的`datasets`库进行加载和使用。用户可以通过`pip install datasets super-image`命令安装相关依赖，并使用`super-image`库中的模型进行评估。具体使用方法包括加载数据集、初始化评估数据集对象，以及使用预训练模型进行超分辨率任务的评估。通过这种方式，用户可以快速评估模型在BSD100数据集上的性能，并参与相关任务的基准测试。

背景与挑战

背景概述

BSD100数据集是Berkeley Segmentation Dataset (BSD300)的测试子集，由Martin等人于2001年提出，主要用于图像去噪和超分辨率任务。该数据集包含100张高质量的自然图像和对象特写图像，涵盖了从植物、人物到食物等多种类别。BSD100的创建旨在为图像处理领域的研究提供一个标准化的测试平台，特别是在图像分割和边界检测算法评估方面。其广泛应用于图像超分辨率任务的模型评估，对推动图像处理技术的发展具有重要意义。

当前挑战

BSD100数据集在图像超分辨率任务中面临的主要挑战包括：首先，数据集中的图像种类多样，涵盖了自然场景和特定对象，这对模型的泛化能力提出了较高要求。其次，数据集的构建过程中未包含人工标注，这意味着模型需要在没有额外监督信息的情况下进行学习和推理。此外，BSD100作为测试集，其图像质量的高标准要求模型在处理低分辨率图像时能够有效恢复细节，这对算法的精度和效率提出了严峻考验。

常用场景

经典使用场景

BSD100数据集在图像超分辨率任务中被广泛应用，尤其在评估模型性能时，常用于测试图像的恢复能力。通过提供高分辨率（HR）和低分辨率（LR）图像对，研究人员可以评估模型在不同尺度下的超分辨率效果，如2倍、3倍、4倍等。

衍生相关工作

BSD100数据集的广泛应用催生了许多相关的经典工作，如基于深度学习的超分辨率模型研究。这些研究不仅提升了图像恢复的精度，还推动了相关算法的发展，如ESRGAN、SRGAN等，这些模型在多个图像处理任务中表现出色。

数据集最近研究

最新研究方向

在图像处理领域，BSD100数据集因其丰富的自然图像和对象特写图像而成为图像超分辨率任务中的经典基准。近年来，随着深度学习技术的迅猛发展，BSD100数据集被广泛用于评估和优化超分辨率算法，尤其是在多尺度图像恢复和增强方面。研究者们通过引入更复杂的神经网络架构和自监督学习方法，不断提升图像超分辨率的效果，推动了该领域的技术进步。此外，BSD100数据集在图像去噪和分割任务中的应用也逐渐受到关注，进一步拓展了其在计算机视觉领域的研究价值。