MSRA

MSRA10K(正式名称为THUS10000; [195MB](http://mftp.mmcheng.net/Data/MSRA10K_Imgs_GT.zip): 图像 + 二进制掩码): 像素精确的显著对象标注，适用于来自MSRA数据集的**10000张图像**。如果您使用它，请引用我们的论文[https://mmcheng.net/SalObj/]。还提供了20多种其他方法的显著性图和显著对象区域分割([百度网盘](http://pan.baidu.com/s/1dEaQqlF#path=%252FShare%252FSalObjRes))。

MSRA10K（正式名称为THUS10000；[195MB](http://mftp.mmcheng.net/Data/MSRA10K_Imgs_GT.zip)：图像与二进制掩码相结合）：提供了像素级别的显著对象标注，适用于包含来自MSRA数据集的**10000张图像**的数据集。若您采用此数据集，请务必引用我们的研究论文[https://mmcheng.net/SalObj/]。此外，我们还提供了20余种不同方法的显著性图与显著对象区域分割数据，可通过[百度网盘](http://pan.baidu.com/s/1dEaQqlF#path=%252FShare%252FSalObjRes)获取。

原始信息汇总

数据集概述

显着性检测

MSRA

• 图像数量: 10,000张图像
• 数据集大小: 195MB
• 论文: T. Liu, J. Sun, N. Zheng, X. Tang, and H.-Y. Shum, “Learning to detect a salient object,” in CVPR, 2007, pp. 1–8
• 项目: https://mmcheng.net/zh/msra10k/

SED1/2

• 图像数量: 200张灰度图像
• 真值: 每个图像由三个不同的人类对象分割
• 论文: A. Borji, M.-M. Cheng, H. Jiang, and J. Li, “Salient object detection: A benchmark,” IEEE TIP, vol. 24, no. 12, pp. 5706–5722, 2015.
• 项目: http://www.wisdom.weizmann.ac.il/~vision/Seg_Evaluation_DB/index.html

ASD(MSRA1000/MSRA1K)

• 图像数量: 1000张图
• 论文: T. Liu, J. Sun, N.-N. Zheng, X. Tang, and H.-Y. Shum, “Learning to detect a salient object,” in Proc. IEEE Conf. Comput. Vis. Pattern Recognit., 2007, pp. 1–8.

DUT-OMRON

• 图像数量: 5,168张高质量图像
• 真值: 每个图像有五个参与者标签
• 论文: C. Yang, L. Zhang, H. Lu, X. Ruan, and M.-H. Yang, “Saliency detection via graph-based manifold ranking,” in Proc. IEEE Conf. Comput. Vis. Pattern Recognit., 2013, pp. 3166–3173.
• 项目: http://saliencydetection.net/dut-omron/#outline-container-org0e04792

DUTS

• 图像数量: 10,553训练图像和5,019测试图像
• 真值: 手动标注
• 项目: http://saliencydetection.net/duts/

SOD

• 图像数量: 300张图像
• 真值: 每个图像由七个对象选择显着对象
• 项目: http://elderlab.yorku.ca/SOD/

iCoSeg

• 图像数量: 643幅图像
• 真值: 像素标注真值
• 论文: http://chenlab.ece.cornell.edu/projects/touch-coseg/iCoseg_dataset.pdf
• 项目: http://chenlab.ece.cornell.edu/projects/touch-coseg/

Infrared[need help]

• 论文: http://infoscience.epfl.ch/record/167478
• 项目: https://ivrl.epfl.ch/research-2/research-downloads/supplementary_material-cvpr11-index-html/

ImgSal

• 图像数量: 235个彩色图像
• 真值: 人类固定记录和人类标记结果
• 项目: https://sites.google.com/site/jianlinudt/saliency-database

ECSSD/CSSD

• 图像数量: ECSSD 1000 images, CSSD 200 images
• 真值: 地面真相掩码
• 下载: http://www.cse.cuhk.edu.hk/leojia/projects/hsaliency/dataset.html

THUR15K

• 图像数量: 15,000张图像
• 真值: 像素精确的地面实况注释
• 论文: https://mmcheng.net/zh/gsal/
• 下载: https://mmcheng.net/mftp/Data/THUR15000.zip

PASCAL-S

• 图像数量: 850张图像
• 真值: 自由修复
• 项目: https://ccvl.jhu.edu/datasets/

OSIE[need help]

• 图像数量: 500个图像
• 真值: 15个观察者的眼动追踪数据和5,551个分段对象的注释数据
• 论文: https://jov.arvojournals.org/article.aspx?articleid=2193943

RSD(PKU-RSD)

• 图像数量: 431个短视频
• 真值: 显着对象的相应注释结果
• 论文: J. Li, Y. Tian, T. Huang, and W. Gao, “A dataset and evaluation methodology for visual saliency in video,” in IEEE ICME, 2009, pp. 442–445
• 项目: https://pkuml.org/resources/dataset.html

STC[need help]

• 论文: Y. Wu, N. Zheng, Z. Yuan, H. Jiang, and T. Liu, “Detection of salient objects with focused attention based on spatial and temporal coherence,” Chinese Science Bulletin, vol. 56, pp. 1055–1062, 2011.

ACSD

• 图像数量: 1000张图
• 真值: 二进制掩码
• 论文: R. Achanta, S. Hemami, F. Estrada, and S. Ssstrunk, “Frequency-tuned salient region detection,” in CVPR, 2009, pp. 1597–1604
• 项目: https://ivrl.epfl.ch/research-2/research-current/research-saliency/supplementary_material-rk_cvpr09-index-html/

XPIE

• 图像数量: 10,000张图像
• 真值: 二进制掩码
• 论文: C. Xia, J. Li, X. Chen, A. Zheng, and Y. Zhang, “What is and what is not a salient object? Learning salient object detector by ensembling linear exemplar regressors,” in CVPR , 2017, pp. 4142–4150.
• 团队: cvteam
• 项目: http://cvteam.net/

NLPR

• 图像数量: 未指定
• 真值: 未指定
• 论文: H. Peng, B. Li, W. Xiong, W. Hu, and R. Ji, “RGBD salient object detection: A benchmark and algorithms,” in ECCV, 2014, pp. 92–109
• 项目: https://sites.google.com/site/rgbdsaliency/home

NJUD

• 图像数量: 1382个高质量和一致标记的图像
• 真值: 未指定
• 论文: R. Ju, Y. Liu, T. Ren, L. Ge, and G. Wu, “Depth-aware salient object detection using anisotropic center-surround difference,” Signal Process.: Image Commun., vol. 38, pp. 115–126, 2015.
• 团队: MGG
• 项目: http://mcg.nju.edu.cn/publication/2014/icip14-jur/index.html

SOC

• 图像数量: 6000张图像
• 真值: 未指定
• 项目: http://dpfan.net/SOCBenchmark/
• 论文: Salient Objects in Clutter: Bringing Salient Object Detection to the Foreground
• 下载: Overall 6K SOC Dataset

搜集汇总

数据集介绍

构建方式

MSRA数据集的构建过程始于从多个来源收集大量高质量图像，包括图像论坛和搜索引擎，总计超过130,000张。随后，研究人员手动筛选出包含显著对象的图像，并进一步精选20,840张进行标注。为了确保标注的一致性，多个用户被邀请为每张图像绘制矩形框以标记显著对象，最终通过投票策略确定每个图像的“真实”标签。这一过程不仅确保了数据的多样性，还提高了标注的准确性。

使用方法

MSRA数据集主要用于显著性对象检测算法的训练和评估。研究者可以通过下载数据集中的图像和对应的二值掩码，使用这些数据进行模型训练。此外，数据集还提供了多种显著性检测算法的结果，研究者可以将自己的算法与这些结果进行对比，以评估其性能。在使用该数据集时，研究者需引用相关论文，以确保学术规范和数据来源的透明性。

背景与挑战

背景概述

MSRA数据集由微软亚洲研究院（Microsoft Research Asia）于2007年推出，旨在解决视觉显著性检测领域中的核心问题，即如何从复杂背景中准确识别并分割出显著性对象。该数据集由T. Liu、J. Sun等研究人员主导开发，首次提出了基于多尺度对比度、中心环绕直方图和颜色空间分布等特征的条件随机场模型，用于显著性对象检测。MSRA数据集包含超过10,000张高质量图像，每张图像都经过多位用户的精确标注，成为当时首个用于视觉显著性算法定量评估的大规模图像数据库。该数据集的发布极大地推动了显著性检测领域的研究，为后续的算法开发与评估提供了重要的基准。

当前挑战

MSRA数据集在构建和应用过程中面临多重挑战。首先，显著性对象的定义具有主观性，不同用户对同一图像中的显著性对象可能存在不同的理解，这导致标注一致性难以保证。其次，数据集的构建需要处理大量复杂背景的图像，如何在这些图像中准确标注显著性对象并排除干扰因素，是一个技术难题。此外，MSRA数据集的应用挑战在于如何设计鲁棒的算法，以应对图像中显著性对象的多样性、复杂背景的干扰以及多尺度特征的有效融合。尽管该数据集为显著性检测提供了丰富的训练和测试资源，但其标注的主观性和图像复杂性仍对算法的泛化能力提出了较高要求。

常用场景

经典使用场景

MSRA数据集在显著性检测领域中被广泛用于评估和比较不同算法的性能。其包含的10000张图像及其对应的像素级标注，为研究者提供了一个标准化的测试平台，用于验证显著性对象检测算法的准确性和鲁棒性。通过该数据集，研究者能够深入分析显著性检测模型在不同场景下的表现，尤其是在复杂背景和多目标情况下的处理能力。

解决学术问题

MSRA数据集解决了显著性检测领域中的多个关键问题。首先，它提供了一个大规模且多样化的图像数据库，帮助研究者克服了早期数据不足的问题。其次，通过引入多用户标注的像素级真实标签，该数据集显著减少了标注不一致性，使得算法评估更加客观和可靠。此外，MSRA数据集还推动了显著性检测算法的创新，尤其是在多尺度特征提取和显著性对象分割方面，为后续研究奠定了坚实的基础。

实际应用

在实际应用中，MSRA数据集为图像处理、计算机视觉和人工智能领域的多个任务提供了重要支持。例如，在图像分割和对象识别中，显著性检测算法能够帮助系统快速定位图像中的关键区域，从而提高处理效率。此外，该数据集还被广泛应用于广告设计、医学影像分析和自动驾驶等领域，帮助开发更智能的视觉系统，提升用户体验和系统性能。

数据集最近研究

最新研究方向

近年来，MSRA数据集在显著性检测领域的研究方向主要集中在多模态融合与深度学习模型的优化上。随着计算机视觉技术的快速发展，研究者们开始探索如何将RGB图像与深度信息、红外图像等多模态数据相结合，以提升显著性检测的精度与鲁棒性。特别是在复杂场景下，传统的显著性检测方法往往难以应对背景干扰与多目标共存的情况，而基于深度学习的模型通过端到端的学习方式，能够更好地捕捉图像的全局与局部特征。此外，MSRA数据集还被广泛应用于弱监督学习与自监督学习的研究中，通过减少对大量标注数据的依赖，推动显著性检测技术在实际应用中的落地。这些研究不仅推动了显著性检测算法的进步，也为图像分割、目标跟踪等相关领域提供了重要的参考与支持。