神经网络与深度学习（3）常用数据集与深度学习视觉应用

HIT_ZYB

于 2024-04-21 22:37:10 发布

阅读量903

点赞数 22

文章标签：深度学习神经网络人工智能

本文链接：https://blog.csdn.net/HIT_ZYB/article/details/138048078

版权

1.常用数据集

1.1 MNIST

MINIST数据集主要由一些手写数字的图片和对应标签组成，是常用的手写数字识别数据集，图片共有10类，分别对应从0~9；由60000个训练样本和10000个测试样本组成，每个样本都是一张28*28像素的手写灰度数字图片。

1.2 Fashion-MNIST数据集

Fashion-MNIST数据集是一个替代 MNIST 手写数字集的图像数据集。它是由 Zalando旗下的研究部门提供，涵盖了来自 10 种类别的共7万个不同商品的正面图片；FashionMNIST 的大小、格式和训练集/测试集划分与原始的 MNIST 完全一致，仍为60000/10000 的训练测试数据划分，28x28 的灰度图片。下图是数据集中的类，以及每个类的十个随机图像：

1.3 CIFAR 10数据集

CIFAR-10数据集由10个类的60000个32x32彩色图像组成，每个类有6000个图像。有50000个训练图像和10000个测试图像，数据集分为五个训练批次和一个测试批次，每个批次有10000 个图像。测试批次包含来自每个类别的恰好1000个随机选择的图像。以下是数据集中的类，以及来自每个类的10个随机图像：

1.4 PASCAL VOC数据集

PASCAL VOC数据集是目标分类(识别)、检测、分割最常用的数据集之一。该数据集包含了20个不同的类别，包括人、动物、车辆、家具等。每个图像都标注了对象的边界框和类别标签。该数据集通常用于训练和评估目标检测和图像分割模型。

1.5 MS COCO数据集

PASCAL的全称是Microsoft Common Objects in Context，起源于微软于2014年出资标注的Microsoft COCO数据集；数据集以scene understanding为目标，主要从复杂的日常场景中截取；包含目标分类(识别)、检测、分割、语义标注等数据集；ImageNet竞赛停办后，COCO竞赛就成为是当前目标识别、检测等领域的一个最权威、最重要的标杆；官网：http://cocodataset.org

1.6 ImageNet数据集与ILSVRC

ImageNet数据集始于2009年，李飞飞与Google的合作： “ImageNet: A Large-Scale Hierarchical Image Database”，其中总图像数据：14197122；总类别数：21841；带有标记框的图像数：1034908。

ISLVRC 2012子数据集的训练集：1281167张图片+标签；类别数：1000；验证集：50000张图片+标签；测试集：100000张图片。

2.深度学习视觉应用

2.1 算法评估

TP:被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数;

FP: 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数;

FN:被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数;

TN: 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。

P(精确率）： 𝑇𝑃/(𝑇𝑃 + 𝐹𝑃)，标识“挑剔”的程度
R(召回率）： 𝑇𝑃/(𝑇𝑃 + 𝐹𝑁)。召回率越高，准确度越低标识“通过”的程度
精度(Accuracy)： (𝑇𝑃 + 𝑇𝑁)/(𝑇𝑃 + 𝐹𝑃 + 𝑇𝑁 + 𝐹𝑁)

P-R的关系曲线图，表示了召回率和准确率之间的关系，精度（准确率）越高，召回率越低。