MSRA

MSRA10K(正式名称为THUS10000; [195MB](http://mftp.mmcheng.net/Data/MSRA10K_Imgs_GT.zip): 图像 + 二值掩码): 像素精确的显著对象标注为来自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/]。其他20多种替代方法的显著性图和显著对象区域分割也提供([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)：包含图像与二值掩码）：该数据集包含**10000张来自MSRA数据集的图像**，并为每张图像配备了像素级精确的显著目标标注。若您使用该数据集，请引用我们的论文[https://mmcheng.net/SalObj/]。此外还提供了20余种对比方法生成的显著性图与显著目标区域分割结果（[百度网盘](http://pan.baidu.com/s/1dEaQqlF#path=%252FShare%252FSalObjRes)）。

原始信息汇总

数据集概述

显著性检测

1. MSRA

   • 包含10,000张图像，提供像素级显著对象标注。
   • 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
   • 下载：MSRA10K_Imgs_GT.zip

2. SED1/2

   • 包含200张灰度图像，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.
   • 下载：Seg_Evaluation_DB

3. ASD(MSRA1000/MSRA1K)

   • 包含1000张图像，提供真实标注。
   • 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.

4. DUT-OMRON

   • 包含5,168张高质量图像，具有一个或多个显著对象和相对复杂的背景。
   • 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.
   • 下载：DUT-OMRON-image.zip

5. DUTS

   • 包含10,553训练图像和5,019测试图像，是目前最大的显著性检测基准。
   • 项目：DUTS

6. SOD

   • 基于Berkeley Segmentation Dataset的显著对象边界集合。
   • 项目：SOD
   • 下载：SOD.zip

7. iCoSeg

   • 包含38组（643幅图像），提供像素标注真值。
   • 论文：iCoSeg_dataset.pdf
   • 下载：CMU_Cornell_iCoseg_dataset.zip

8. ImgSal

   • 包含235个彩色图像，提供人类固定记录和人类标记结果。
   • 项目：ImgSal
   • 作者主页：jianli/DataBase.html

9. ECSSD/CSSD

   • ECSSD包含1000张图像，CSSD包含200张图像。
   • 下载：ECSSD images, CSSD images

10. THUR15K

    • 包含15,000张图像，提供像素精确的地面实况注释。
    • 论文：GSAL
    • 下载：THUR15000.zip

11. PASCAL-S

    • 包含850张图像，提供自由修复。
    • 项目：PASCAL-S
    • 下载：PASCAL-S

12. RSD(PKU-RSD)

    • 包含431个短视频，涵盖各种场景。
    • 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
    • 下载：PKU-RSD

13. ACSD

    • 基于ASD数据集(MSRA1K)制作，提供二进制掩码。
    • 论文：R. Achanta, S. Hemami, F. Estrada, and S. Ssstrunk, “Frequency-tuned salient region detection,” in CVPR, 2009, pp. 1597–1604
    • 下载：binarymasks.zip

14. XPIE

    • 包含10,000张图像，提供像素级掩码。
    • 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.
    • 下载：XPIE.tar.gz

15. NLPR

    • 包含大量RGBD图像，用于RGBD显著对象检测。
    • 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
    • 下载：NLPR

16. NJUD

    • 包含1382个高质量和一致标记的图像。
    • 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.
    • 下载：nju2000.zip

17. SOC

    • 包含6000张图像，提供显著对象检测基准。
    • 论文：Salient Objects in Clutter: Bringing Salient Object Detection to the Foreground
    • 下载：SOC Dataset

分割

1. Supervisely人像数据集

   • 包含人像分割数据。
   • 项目：Supervisely人像数据集

2. Clothing Parsing

   • 包含服装解析数据。
   • 项目：Clothing Parsing

3. HumanParsing-Dataset

   • 包含人体解析数据。
   • 项目：HumanParsing-Dataset

4. Look into Person (LIP)

   • 包含人体分割数据。
   • 项目：Look into Person (LIP)

5. Taobao Commodity Dataset

   • 包含商品图像分割数据。
   • 项目：Taobao Commodity Dataset

6. Object Extraction Dataset

   • 包含对象提取数据。
   • 项目：Object Extraction Dataset

7. Clothing Co-Parsing (CCP) Dataset

   • 包含服装协同解析数据。
   • 项目：Clothing Co-Parsing (CCP) Dataset

8. Baidu People segmentation dataset

   • 包含人物分割数据。
   • 项目：Baidu People segmentation dataset

抠图

1. alphamatting.com

   • 提供抠图数据集。
   • 项目：alphamatting.com

2. Composition-1k: Deep Image Matting

   • 包含深度图像抠图数据。
   • 项目：Composition-1k: Deep Image Matting

3. Semantic Human Matting

   • 包含语义人体抠图数据。
   • 项目：Semantic Human Matting

4. PFCN

   • 包含图像抠图数据。
   • 项目：PFCN

5. Deep Automatic Portrait Matting

   • 包含自动肖像抠图数据。
   • 项目：Deep Automatic Portrait Matting

其他

1. Large-scale Fashion (DeepFashion) Database
   • 包含大规模时尚数据库。
   • 项目：Large-scale Fashion (DeepFashion) Database

参考

1. Salient Object Detection: A Survey

   • 提供显著对象检测的综述。
   • 项目：Salient Object Detection: A Survey

2. Review of Visual Saliency Detection with Comprehensive Information

   • 提供视觉显著性检测的综合信息回顾。
   • 项目：Review of Visual Saliency Detection with Comprehensive Information

更多

1. Similiar Projects

   • 包含类似项目的数据集。
   • 项目：Similiar Projects

2. Research Institutes

   • 包含研究机构的数据集。
   • 项目：Research Institutes

3. Resource Websites

   • 包含资源网站的数据集。
   • 项目：Resource Websites

搜集汇总

数据集介绍

构建方式

MSRA数据集的构建基于大规模的图像收集和精细的标注过程。首先，从各种来源收集了130,099张高质量图像，经过手动筛选后，选择了60,000多张包含显着对象或独特前景对象的图像。随后，进一步精选了20,840张图像进行标注。标注过程中，要求用户绘制包围图像中最大对象的矩形，并通过多用户标注的一致性选择最终的‘真实’标签。这一过程确保了数据集的高质量和标注的准确性。

特点

MSRA数据集的主要特点在于其大规模和高质量的标注。该数据集包含10,000张图像，每张图像都经过像素级别的显着对象标注，提供了精确的二元掩码。此外，数据集中的图像涵盖了多种场景和复杂的背景，使得检测任务更具挑战性。MSRA数据集还提供了多种替代方法的显着性图和区域分割结果，为研究者提供了丰富的对比资源。

使用方法

MSRA数据集主要用于显着对象检测的研究和算法评估。研究者可以通过下载数据集中的图像和标注文件，进行算法开发和性能测试。使用时，建议引用相关论文以确保学术诚信。数据集的二元掩码格式便于直接应用于图像分割和显着性检测算法的训练和验证。此外，数据集还提供了多种显着性图和区域分割结果，可用于对比分析和算法改进。

背景与挑战

背景概述

MSRA数据集，由南开大学媒体计算实验室创建，是一个专注于显着对象检测的大型图像数据库。该数据集的核心研究问题是如何准确地检测和分割图像中的显着对象，这一问题在计算机视觉领域具有重要意义。MSRA数据集的创建始于2007年，由主要研究人员T. Liu, J. Sun, N. Zheng, X. Tang, 和 H.-Y. Shum共同完成。该数据集包含10,000张图像，每张图像都经过像素级别的显着对象标注，为视觉注意算法的定量评估提供了宝贵的资源。MSRA数据集的发布极大地推动了显着对象检测技术的发展，为相关领域的研究提供了坚实的基础。

当前挑战

MSRA数据集在构建过程中面临了多个挑战。首先，显着对象检测本身是一个复杂的问题，涉及到多尺度对比度、中心环绕直方图和颜色空间分布等多种特征的整合。其次，数据集的构建需要大量的手动标注工作，确保每个图像的显着对象标注准确且一致，这是一项耗时且劳动密集的任务。此外，如何处理图像中显着对象与背景的复杂关系，以及如何有效评估不同算法在数据集上的性能，也是该数据集面临的重要挑战。这些挑战不仅影响了数据集的构建质量，也对后续的研究和应用提出了更高的要求。

常用场景

经典使用场景

MSRA数据集在显着对象检测领域中被广泛应用于评估和训练显着对象检测算法。其经典使用场景包括图像分割、视觉注意力机制研究以及图像检索等。通过提供大量高质量的图像及其对应的显着对象标注，MSRA数据集为研究人员提供了一个标准化的基准，用于比较和验证不同显着对象检测方法的性能。

实际应用

MSRA数据集在实际应用中具有广泛的应用场景，如自动驾驶中的目标检测、监控系统中的异常检测以及图像编辑中的自动对象选择。通过提供精确的显着对象标注，MSRA数据集帮助开发更高效和准确的显着对象检测算法，从而提升这些应用的性能和用户体验。

衍生相关工作

基于MSRA数据集，许多相关的经典工作得以开展，如显着对象检测算法的改进、多尺度对比度特征的研究以及条件随机场在显着对象检测中的应用。这些工作不仅提升了显着对象检测的准确性和效率，还推动了相关领域的技术进步。MSRA数据集的公开和广泛使用，为后续研究提供了坚实的基础和丰富的资源。