MJU-Waste

displayName: MJU-Waste
labelTypes: []
license:
- MIT
mediaTypes:
- Image
paperUrl: https://arxiv.org/pdf/2007.04259v1.pdf
publishDate: "2020"
publishUrl: https://github.com/realwecan/mju-waste
publisher:
- South China University of Technology
- Minjiang University
- Fuzhou University
tags:
- Waste
taskTypes:
- Semantic Segmentation
- Object Detection

---
# 数据集介绍
## 简介
我们解决了从彩色​​图像和可选的深度图像中定位废弃物体的问题，这是机器人与此类物体交互的关键感知组件。具体来说，我们的方法集成了多个空间粒度级别的强度和深度信息。首先，场景级深度网络产生初始粗分割，在此基础上我们选择一些潜在的对象区域来放大并执行精细分割。上述步骤的结果进一步集成到一个密集连接的条件随机场中，该随机场学习以像素级精度尊重外观、深度和空间亲和力。此外，我们创建了一个新的 RGBD 垃圾对象分割数据集 MJU-Waste，并将其公开以促进该领域的未来研究。我们的方法的有效性在 MJU-Waste 和 Trash Annotation in Context (TACO) 数据集上得到了验证。
## 引文
```
@article{wang2020multi,
title={A multi-level approach to waste object segmentation},
author={Wang, Tao and Cai, Yuanzheng and Liang, Lingyu and Ye, Dongyi},
journal={Sensors},
volume={20},
number={14},
pages={3816},
year={2020},
publisher={Multidisciplinary Digital Publishing Institute}
}
```

## Download dataset
:modelscope-code[]{type="git"}

显示名称：MJU-Waste
标签类型：无
许可协议：MIT协议
媒体类型：图像
论文链接：https://arxiv.org/pdf/2007.04259v1.pdf
发布日期：2020年
发布地址：https://github.com/realwecan/mju-waste
发布机构：华南理工大学、闽江大学、福州大学
标签：废弃物
任务类型：语义分割、目标检测

---

# 数据集介绍
## 简介
我们针对从彩色图像及可选深度图像中定位废弃物体这一机器人与废弃物交互的核心感知任务展开研究。本方法整合了多空间粒度下的强度与深度信息：首先通过场景级深度网络生成初始粗分割结果，基于该结果选取潜在目标区域进行放大并执行精细化分割；随后将前述步骤的输出进一步集成至密集连接条件随机场中，该模型可学习以像素级精度贴合外观、深度与空间亲和性约束。此外，我们构建了全新的RGBD（红-绿-蓝-深度）废弃物目标分割数据集MJU-Waste并公开，以推动该领域的后续研究。本方法的有效性在MJU-Waste与上下文垃圾标注（Trash Annotation in Context, TACO）数据集上得到了验证。
## 引文

@article{wang2020multi,
title={A multi-level approach to waste object segmentation},
author={Wang, Tao and Cai, Yuanzheng and Liang, Lingyu and Ye, Dongyi},
journal={Sensors},
volume={20},
number={14},
pages={3816},
year={2020},
publisher={Multidisciplinary Digital Publishing Institute}
}

## 下载数据集
:modelscope-code[]{type="git"}