Indoor Scene Recognition 室内场景识别数据集

最新推荐文章于 2024-08-08 08:09:08 发布
最新推荐文章于 2024-08-08 08:09:08 发布
阅读量7.9k 收藏 17
点赞数 6
分类专栏： Deep Learning 文章标签： 图片 数据
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zsg2063/article/details/76073747
版权

为下一步论文做准备。


有一个数据集过大，100多个G，从网上找到一个轻量级的室内场景识别数据集，MIT的，在这里留存一下。数据集下载链接：

http://web.mit.edu/torralba/www/indoor.html

Glory@OUC
关注
专栏目录
基于深度学习的机器人室内场景识别
AGI通用人工智能之禅
04-18 381
1. 背景介绍 1.1 机器人视觉的重要性 在当今智能机器人系统中,视觉感知是一项关键技术。机器人需要能够理解周围环境,识别不同的物体和场景,才能执行诸如导航、抓取和操作等复杂任务。机器人视觉系统赋予了机器人"视力",使其能够感知三维空间,并作出相应的判断和行动。
数据集 | 计算机视觉开源数据集（计算机视觉图像、定位、识别）
尘世冰封的专栏
12-12 2409
博主github：https://github.com/MichaelBeechan 博主CSDN：https://blog.csdn.net/u011344545 计算机视觉数据集：https://github.com/MichaelBeechan/CV-Datasets Image Motion and Tracking 数据集 功能 解释 链接 ...
室内场景识别数据集-indoorCVPR_09
04-12
数据集包含67个室内类别，总共15620个图像。图像数量因类别而异，但每个类别至少有100张图像。所有图像均为jpg格式。 TrainImages.txt：包含每个训练图像的文件名。共67 * 80张图片；TestImages.txt：包含每个测试图像的文件名。共67 * 20张图片。
轻量级室内场景识别数据集：MIT-IndoorScene，百度云下载
热门推荐
WangNning2000的博客
08-12 3万+
链接：https://pan.baidu.com/s/1MhvB8TeXhYNvRM28siblqg 提取码：9wth
Places365 深度学习场景分类库指南
最新发布
gitblog_01081的博客
08-08 822
Places365 深度学习场景分类库指南 places365The Places365-CNNs for Scene Classification 项目地址:https://gitcode.com/gh_mirrors/pl/places365 1. 项目介绍 Places365 是由麻省理工学院计算机科学与人工智能实验室（CSAIL）开发的一个大规模场景分类数据集，它是Places2数据库的...
室内场景数据集 Indoor Scene Recognition
PianGe_zyl的博客
08-24 3538
分享一个轻量级的室内场景数据集：Indoor Scene Recognition 大小仅有2.4GB，包含67个类别，共有15620幅图像。不同类别的图像数量不同，每个类别至少有100幅图像。所有图像均为jpg格式。 下载地址原文中有，也可以使用我上传的百度网盘资源： https://pan.baidu.com/s/1_YX3VqB2Nl60ta_tTp_pvA 提取码：rgc5 ...
Indoor-Scene-Recognition
04-06
使用混合模型的室内场景识别 小组成员： 姓名 卷号 Kisalaya Kishore IIT2018079 米兰布瓦 IIT2018176 马纳夫农庄 IIT2018178 穆罕默德·阿迪尔 IIT2018179 安吉·鲁尼亚（Ankit Rauniyar） IIT2018202 基本型号： 图片来源： 我们的模型：
Indoor Scene Recognition by 3-D Object Search
07-30
Springer Tracts in Advanced Robotics Volume 135. Indoor Scene Recognition by 3-D Object Search.
MIT67数据集下载，Indoor Scene Recognition数据集及划分训练集测试集代码
qq_45128278的博客
08-15 1524
MIT67室内场景数据集，共67个分类。原创的划分为训练集和测试集的代码。
颜色分类leetcode-Scene-Recognition-in-3D:[IROS,2020]3D室内场景识别
07-06
颜色分类leetcode 3D 场景识别（IROS'20） 该存储库包含论文中的源代码和预训练模型。 3D 室内场景识别 黄胜宇、米哈伊尔·乌斯维亚佐夫、康拉德·辛德勒 ...上评估我们的模型，数据集在 下发布，请联系
Semantic-aware Scene Recognition 阅读笔记
maths_girl的博客
01-31 718
Semantic-aware Scene Recognition阅读笔记 该论文是发表在 2020 年 Pattern Recognition 的论文，由外国的 Abstract: 场景分类的主要问题： Semantic ambiguity （语义歧义性）: images of several scene classes may share similar objects, which causes confusion among them. The problem is aggravated when i
Indoor scene recognition by a mobile robot through adaptive
04-22
室内移动机器人自适应进行物体检测
场景文本识别数据集.zip
06-20
该数据集是基于单词的英语曲线文本数据集。 该数据集由1555张图像组成，其中包含3种以上不同的文本方向：水平，多方向和弯曲（一种）。其中训练集包含1225张图片，测试集包含300张图片。
图像场景识别是15类开源数据集,基于该数据集进行场景图像的分类和识别
07-21
图像场景识别是15类开源数据集，基于该数据集进行场景图像的分类和识别, 图像场景识别是15类开源数据集，基于该数据集进行场景图像的分类和识别 图像场景识别是15类开源数据集，基于该数据集进行场景图像的分类和识别 图像场景识别是15类开源数据集，基于该数据集进行场景图像的分类和识别
15类场景数据集
11-08
进行图像场景识别是15类开源数据集，基于该数据集进行场景图像的分类和识别
15 scenes特征数据集
04-10
15 scenes特征数据集，用于计算机视觉图像分类的应用。
大数据学习之资源干货：机器学习高质量数据集大集合
科多大数据的博客
11-08 2612
本文转载自科多大数据 在机器学习中，寻找数据集也是非常重要的一步。质量高或者相关性高的数据集对模型的训练是非常有帮助的。 那么用于机器学习的开放数据集有哪些呢？文摘菌给大家推荐一份高质量的数据集，这些数据集或者涵盖范围广泛（比如 Kaggle），或者非常细化（比如自动驾驶汽车的数据）。 首先，在搜索数据集时，在卡内基·梅隆大学有以下说法： 数据集不应混乱，因为你不希望花费大量时间清理数据。...
Places: A 10 million Image Database for Scene Recognition
fujikoo的博客
12-03 4449
原文链接： http://places2.csail.mit.edu/PAMI_places.pdf 5 用于场景分类的卷积神经网络 主要选了三个CNN结构：AlexNet、GoogleNet、VGG16，然后分别在places205和places365上训练baselineCNN模型。训练好的模型的命名是：Place类别的数量-模型的名称。(eg.Places205-AlexNet，Places365-VGG) 此外，还对places365-ResNet上的ResNet152进行微调，并将其和其他plac
places2 数据集 | Data of Places365-Standard 256x256 数据分享| 场景识别数据集 | 【有效整理】|
专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化
12-09 1万+
Data of Places365-Standard 数据介绍： There are 1.8 million train images from 365 scene categories in the Places365-Standard, which are used to train the Places365 CNNs. There are 50 images per category in the validation set and 900 images per category in the t
基于pytorch的深度学习场景识别代码及数据集
05-24
以下是基于PyTorch的深度学习场景识别代码及数据集： ## 数据集 1. Places365-Standard：该数据集包含365种不同的场景类别，每个类别有500张图片。下载链接：http://data.csail.mit.edu/places/places365/val_256.tar 2. MIT Indoor：该数据集包含67种室内场景类别，每个类别有80张图片。下载链接：http://web.mit.edu/torralba/www/indoor.html ## 代码 以下是一个使用ResNet50模型进行场景分类的PyTorch示例代码： ```python import torch import torch.nn as nn import torch.optim as optim import torchvision.models as models import torchvision.transforms as transforms from torch.utils.data import DataLoader, Dataset from PIL import Image import os # 定义场景类别数和训练参数 num_classes = 365 batch_size = 32 num_epochs = 10 learning_rate = 0.001 # 定义数据预处理 transform = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) # 定义数据集 class SceneDataset(Dataset): def __init__(self, root, transform=None): self.root = root self.transform = transform self.filenames = [] self.labels = [] self._read_data() def __len__(self): return len(self.filenames) def __getitem__(self, index): filename = self.filenames[index] label = self.labels[index] image = Image.open(os.path.join(self.root, filename)).convert('RGB') if self.transform is not None: image = self.transform(image) return image, label def _read_data(self): with open(os.path.join(self.root, 'places365_val.txt'), 'r') as f: lines = f.readlines() for line in lines: filename, label = line.strip().split() self.filenames.append(filename) self.labels.append(int(label)) # 定义模型 model = models.resnet50(pretrained=True) model.fc = nn.Linear(model.fc.in_features, num_classes) # 定义优化器和损失函数 optimizer = optim.Adam(model.parameters(), lr=learning_rate) criterion = nn.CrossEntropyLoss() # 定义训练函数 def train(model, dataloader): model.train() total_loss = 0.0 for i, (inputs, labels) in enumerate(dataloader): optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() total_loss += loss.item() if (i + 1) % 100 == 0: print('Batch [{}/{}], Loss: {:.4f}'.format(i + 1, len(dataloader), total_loss / (i + 1))) # 定义测试函数 def test(model, dataloader): model.eval() with torch.no_grad(): correct, total = 0, 0 for inputs, labels in dataloader: outputs = model(inputs) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Accuracy on the test set: %d %%' % (100 * correct / total)) # 加载数据集 data_root = './val_256/' test_dataset = SceneDataset(data_root, transform) test_dataloader = DataLoader(test_dataset, batch_size=batch_size, shuffle=True) # 测试模型 test(model, test_dataloader) ``` 在测试过程中，我们使用了`test()`函数来评估模型在测试集上的准确性。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值