PieAPP dataset

PieAPP 数据集是用于训练和测试感知一致的图像错误预测算法的大规模数据集。数据集可以从以下位置下载：包含所有数据 (2.2GB) 的 zip 文件的服务器或 Google Drive（适合快速浏览）。该数据集包含未失真的高质量参考图像和这些参考图像的几个失真版本。与参考图像相对应的失真图像对用偏好标签的概率进行标记。这些标签表示认为一个图像在视觉上比对中的另一个图像更接近参考的人口比例。为了确保偏好标签的可靠成对概率，我们通过 Amazon Mechanical Turk 为每个图像对查询 40 个人类受试者。然后，我们获得选择图像 A 而不是 B 作为该对的真实标签的人的百分比，这是 A 优于 B 的偏好概率（补充文件解释了使用 40 个人类受试者来捕获准确概率的选择） .这种方法更健壮，因为它比分配质量分数更容易识别视觉上更接近的图像，并且不会受到像瑞士锦标赛这样的集合依赖性或可伸缩性问题的影响，因为我们从不使用每个图像的质量分数来标记图像（参见有关此类现有标签方案问题的相关文件和补充文件）。论文中讨论的成对学习框架可用于在 PieAPP 数据集上训练图像错误预测器。数据集统计 我们将此数据集仅用于非商业和教育目的。该数据集共包含 200 张未失真的参考图像，分为训练/验证/测试拆分。这些参考图像来自滑铁卢勘探数据集。我们从滑铁卢探索数据集中发布了 PieAPP 中使用的 200 张参考图像的子集，并获得了作者的非商业、教育和使用许可。 PieAPP 数据集的用户被要求引用滑铁卢探索数据集作为参考图像，以及 PieAPP 数据集，如此处所述。训练+验证集共包含 160 张参考图像，测试集包含 40 张参考图像。总共为训练/验证集生成了 19,680 个失真图像，并提供了 77,280 个图像对的偏好标签的成对概率（来自查询 40 个人类受试者以进行成对比较 + 一些缺失对的最大似然估计）。对于测试集，每个参考创建 15 个失真图像（总共 600 个失真图像），并执行所有可能的成对比较（总共 4200 个），以使用来自 40 个人类受试者投票的偏好概率来标记每个图像对。总体而言，PieAPP 数据集提供了总共 20,280 个从 200 个参考图像派生的失真图像，以及 81,480 个成对的偏好概率标签。数据集收集的更多细节可以在论文和补充文件的第 4 节中找到。