语义分割 - 数据集准备

这篇博客介绍了如何准备PASCAL VOC 2012语义分割数据集,包括数据集的下载和数据转换。在数据转换过程中,详细阐述了将augmented PASCAL VOC的Matlab格式ground truth labels转化为PNG图像,并通过convert_labels.py脚本将其降维以适应Caffe的softmax loss函数。
摘要由CSDN通过智能技术生成
# 语义分割数据集准备

Dataset 数据集下载

# augmented PASCAL VOC
cd $DATASETS
wget http://www.eecs.berkeley.edu/Research/Projects/CS/vision/grouping/semantic_contours/benchmark.tgz # 1.3 GB
tar -zxvf benchmark.tgz
mv benchmark_RELEASE VOC_aug

# original PASCAL VOC 2012
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar # 2 GB
tar -xvf VOCtrainval_11-May-2012.tar
mv VOCdevkit/VOC2012 VOC2012_orig && rm -r VOCdevkit

Data conversions 数据转换

  • augmented PASCAL VOC 数据集的 ground truth labels 是以 Matlab data files的格式存在的,需要进行转换:
    • Step1 定义 mat2png 脚本;
    • Step2 转换 mat 成 png.
#!/usr/bin/env python
# Martin Kersner, m.kersner@gmail.com
# 2016/03/17

from __future__ import print_function
import os
import sys
import glob
import scipy.io
from PIL import Image as PILImage

# Mat to png conversion for http://www.cs.berkeley.edu/~bharath2/codes/SBD/download.html
# 'GTcls' key is for class segmentation
# 'GTinst' key is for instance segmentation
def mat2png_hariharan(mat_file, key='GTcls'):
    mat = scipy.io.loadmat(mat_file, mat_dtype=True, squeeze_me=True, struct_as_record=
点云是由三维空间中的一系列点组成的数据集,它常被用于描述物体的形状和位置。点云语义分割是对点云数据进行分析和分类。该任务的目标是为每个点赋予正确的语义标签,以实现对点云中的物体的分割和识别。 Plant点云语义分割数据集是一个特定领域的点云数据集,主要关注于植物的语义分割。这个数据集包含了大量的植物点云数据,每个点都有特定的XYZ坐标和其他属性信息,例如法向量、颜色等。此外,每个点还被赋予了相应的语义标签,比如树木、草地、花朵等。 准备一个对应的Plant点云语义分割数据集需要多个步骤。首先,需要收集大量的植物点云数据,可以通过3D激光扫描仪、摄像头等设备获得。然后,对这些点云数据进行预处理,包括去除噪声、滤波、重采样和对齐等操作,以提高数据的质量和准确性。 接下来,需要对每个点进行语义标注。这可以通过人工标注的方式来完成,专业的植物学家或领域专家可以观察点云数据,并为每个点分配适当的语义标签。这个过程可能会很耗时和复杂,但对于准确的语义分割结果是必要的。 最后,将点云数据和其对应的语义标签整理成一个数据集。这个数据集可以用于训练和评估点云语义分割算法的性能。可以将数据集划分为训练集和测试集,用于算法的训练和验证。 总之,Plant点云语义分割数据集是一个专门用于植物点云数据分割和识别的数据集,通过收集、预处理和人工标注的方式获得。它可以用于开发和评估各种点云语义分割算法的性能。
评论 30
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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