图像处理数据集

Posted 2023-03-31 cocapop

BSDS500

Berkeley Segmentation Dataset 500 是第一个用于评估超像素算法的数据集。对于参数优化，使用了验证集。

500张数据集=200训练集train+100验证集val+200测试集test
每张图像有 5 个不同的高质量地面真值分割（groundTruth,是.mat文件）

1.从这里下载BSDS500数据集

2.把BSR/BSDS500/data 提取到data/BSDS500（覆盖data/BSDS500/images和data/BSDS500/csv_groundTruth所提供的例子）。
 还要注意，之后有三个文件夹：groundTruth、csv_groundTruth和images。

3.在lib_tools/bsds500_convert_script.m中，调整目录的路径，即正确设置BSDS500_DIR。

4.Run the script. 这需要花费一些时间。

说明还可以在 lib_tools/bsds500_convert_script.m中查看。

NYUV2

 NYU Depth Dataset V2=1449张带有预处理深度的图像。ps.室内场景数据集

该数据集提供了带有实例标签的语义基础真值分段。按照Ren和Bo的做法，对地面实况进行了预处理，以去除未标记的小段。

（随机选择作为）验证集199张+399张测试集

具有的特点：

1、1449个密集标记的RGB和深度图像对齐对

2、来自3个城市的464个新场景

3、407,024个新的未标记帧

4、每个对象都标有一个类和一个实例号（cup1，cup2，cup3等）

数据集包含几个组成部分：

Labeled Dataset（标记数据集）：是原始视频数据的子集它由成对的RGB和深度帧组成，这些帧已同步并为每个图像标注了密集标签。此数据还包含了一组预处理的深度图，其缺失值已使用Levin等人的着色方案进行了填充。与raw数据集不同的是，带有标签的数据集作为Matlab .mat文件提供，具有以下变量：...（网站链接里写了）

Raw Dataset（原始数据集）：Kinect提供的原始rgb，深度和加速度计数据。RGB和深度相机的采样率介于20到30 FPS（随时间变化）。当帧不同步时，每个RGB，深度和加速度计文件的时间戳都作为每个文件名的一部分包含在内，可以使用工具箱中的get_synched_frames.m函数进行同步以产生连续的视频。

工具箱：matlab 工具箱有几个处理数据的有用函数。用于处理数据和标签的有用功能。

在对未标记的区域进行瘦身后，地面实况被转换为.csv文件。
转换后的数据集可在数据存储库中找到: davidstutz/superpixel-benchmark-data.

为了手动转换NYUV2数据集并提取使用的验证和测试子集，请使用lib_tools/nyuv2_convert.script.m

1. 从这里下载数据集。确认下载的文件是：nyu_depth_v2_labeled.mat.
2. 把数据放在 data/NYUV2/.中
3. 确保 data/NYUV2 包含 nyuv2_test_subset.txt,
   nyuv2_train_subset.txt,
   nyuv2_test.txt ,
   nyuv2_train.txt.
4. 在lib_tools/nyuv2_convert.script.m中，设置NYUV2_DIR指向data/NYUV2目录。
5. Run the script. 这需要花费一些时间。

说明还可以在 lib_tools/nyuv2_convert.script.m中查看

SBD

斯坦福背景数据集（SBD）结合了几个数据集的715张图像。这些图像的大小、质量和场景各不相同。所提供的语义基础真实分割需要进行预处理，以保证连接成分。
（随机选择作为）验证集238张+477张测试集

groundTruth被转换为.csv文件。转换后的数据集可在数据存储库中获得: davidstutz/superpixel-benchmark-data.

要手动转换SBD并选择验证和测试图像，请遵循lib_tools/sbd_convert_script.m：

1. 从这里 下载数据集
2. 提取数据集，使数据/SBD包含两个文件夹：图像(images)和标签(labels.)。
3. 确保 data/SBD 包含 sbd_test.txt 和sbd_train.txt.
4. 在lib_tools/sbd_convert_script.m中，调整下面的变量SBD_DIR，以匹配data/SBD的路径。
5. Run the script.

说明还可以在 lib_tools/sbd_convert_script.m中查看

SUNRGBD

SUNRGBD数据集包含10335幅图像，包括预处理的深度。

该数据集提供了语义上的地面真实分割，需要进行类似于NYUV2数据集的预处理。
（随机选择）验证集200+测试集400。也包括在NYUV2数据集中的图像被忽略了。

The ground truth was converted to .csv files. The converted dataset is available in the data repository: davidstutz/superpixel-benchmark-data.

To manually convert the dataset, follow lib_tools/sunrgbd_convert_script.m:

1. Download the SUNRGBD dataset from here.
2. Make sure to download both the SUNRGBD V1 dataset and the SUNRGBDtoolbox containing the annotations.
3. From the SUNRGBDtoolbox extract SUNRGBD2dseg.mat and SUNRGBDMeta.mat to data/SUNRGBD.
4. From the SUNRGBD V1 dataset extract all files into data/SUNRGBD; note that this may take quite some time! It might be wise to extract the contained directories (xtion, realsense, kv1, kv2) separately.
5. In lib_tools/sunrgbd_convert_script.m, adapt ROOT_DIR to point to the data directory (i.e. the parent directory of the SUNRGBD directory).
6. Run the script. Note that this may take some time and memory.

The instructions are also found in lib_tools/sunrgbd_convert_script.m.

Fash

The Fashionista dataset [7] contains 685 images with semantic ground truth segmentations. The ground truth segmentations were pre-processed to ensure connected segments. Validation set and training set of size 222 and 463, respectively, were chosen at random.

The ground truth needs to be converted to .csv files using the steps in lib_tools/fash_convert_script.m:

1. Download the Fashionista dataset from here.
2. Extract fashionista_v0.2.1.mat into data/Fash.
3. Adapt the below variables to match the path where data/Fash can be found.
4. Run the script. Note that this may take some time and memory.

虹膜数据集是不是被视为图像的提取特征数据集？ [关闭]

【中文标题】虹膜数据集是不是被视为图像的提取特征数据集？ [关闭]

【英文标题】：Is Iris Dataset considered as extracted features Dataset for images? [closed]虹膜数据集是否被视为图像的提取特征数据集？ [关闭]

【发布时间】：2018-06-17 08:29:00

【问题描述】：

我有 nn 需要在图像上进行训练和测试。我知道当我想在 Image 上训练 nn 时，我应该提取特征。据此，我可以将https://archive.ics.uci.edu/ml/datasets/iris 上提供的 Iris 数据集视为具有提取特征的图像数据集并在其上训练 nn 吗？ 换句话说，任何人都可以对我说“不，你没有在图像上训练你的神经网络”

感谢帮助

【问题讨论】：

不，它不是图像数据。

您提供的链接解释了它包含的数据： 1. 萼片长度（厘米） 2. 萼片宽度（厘米） 3. 花瓣长度（厘米） 4. 花瓣宽度（厘米） 5. 类别： -- Iris Setosa -- Iris Versicolour -- Iris Virginica

感谢 Bhoke 和 Sascha，我认为我可以将这些数据视为提取的特征

【参考方案1】：

当你想训练你的神经网络时，你必须：

预处理您的数据图像，以“清理”您的数据集 决定要提取哪些特征（这是一项非常困难的任务，因为您必须决定哪些特征与识别相关，哪些不相关。这段话已经在 Iris 数据集中完成） 继续训练和测试您的神经网络

因此，如果您查看第二个，您会发现 Iris 数据集不是图像数据集。但是，它具有许多可用于训练神经网络的功能。

所以问题是： 您想从图像中提取哪些特征来训练您的神经网络？

如果答案是：已经在 Iris 数据集中提取的特征（萼片数量、萼片宽度等），那么您可以继续训练您的神经网络。

如果答案是：我想直接在图片上提取特征，那你就要研究这一步了。

【讨论】：

这些特征很适合我想要的，但我担心我的讲师说我不能将其视为具有提取特征的图像

我也很害怕，因为使用外部数据集意味着使用对您有用或无用的外部工作，具体取决于您的神经网络的目标。例如，如果目标是识别一种鸢尾花，并且这些品种的萼片数量不同，那么您可以使用该特征（从图像中手动提取或从鸢尾花数据集等公共数据集中自动提取）。但如果您的目标是考虑其他特征（如花朵颜色或宽度），则此数据库将不完整。