【语义分割】2、Mapillary 数据集简介

已于 2022-08-04 14:39:09 修改
阅读量5.8k 收藏 20
点赞数 5
分类专栏： 语义分割 文章标签： 深度学习
于 2021-12-27 15:53:43 首次发布
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/jiaoyangwm/article/details/122172645
版权
MapillaryVistas是一个包含66类、25,000张高分辨率街景图像的数据集，用于实例分割任务。数据集覆盖多种天气、季节和时间，提供了丰富的城市环境元素标签，如道路、建筑、交通标志和行人等。它比cityscapes数据集大五倍，适用于自动驾驶和计算机视觉研究。
摘要由CSDN通过智能技术生成

文章目录


在这里插入图片描述

一、简介

Mapillary Vistas 数据集包含 66 类共 25,000 张高分辨率街景场景的数据，其中有 37 个类是以实例区分的标签。数据总量是 cityscapes 的5倍之多，包括不同天气、季节、时间。采集方式包括手机、摄像机、电脑、运动相机等。

  • 数据总量：25k
  • 训练总量：18k
  • 验证总量：2k
  • 测试总量：5k

官网：https://www.mapillary.com/

二、类别

每个大类和其对应的小类别目标

在这里插入图片描述

序号类别
0bird
1ground animal
2curb
3fence
4guard rail
5barrier
6wall
7bike lane
8crosswalk-plain
9curb cut
10parking
11pedestrian area
12rail track
13road
14service lane
15sidewalk
16bridge
17building
18tunnel
19person
20bicyclist
21motorcyclist
22other rider
23lane marking - crosswalk
24lane marking - general
25mountain
26sand
27sky
28snow
29terrain
30vegetation
31water
32banner
33bench
34bike rack
35billboard
36catch basin
37CCTV camera
38fire hydrant
39junction box
40mailbox
41manhole
42phone booth
43phthole
44street light
45pole
46traffic sign frame
47utility pole
48traffic light
49traffic sign(back)
50traffic sign(front)
51trash can
52bicycle
53boat
54bus
55car
56caravan
57motorcycle
58on rails
59other vehicle
60trailer
61truck
62wheeled slow
63car mount
64ego vehicle
65unlabeled
{
  "labels": [
    {
      "color": [
        165, 
        42, 
        42
      ], 
      "instances": true, 
      "readable": "Bird", 
      "name": "animal--bird", 
      "evaluate": true
    }, 
    {
      "color": [
        0, 
        192, 
        0
      ], 
      "instances": true, 
      "readable": "Ground Animal", 
      "name": "animal--ground-animal", 
      "evaluate": true
    }, 
    {
      "color": [
        196, 
        196, 
        196
      ], 
      "instances": false, 
      "readable": "Curb", 
      "name": "construction--barrier--curb", 
      "evaluate": true
    }, 
    {
      "color": [
        190, 
        153, 
        153
      ], 
      "instances": false, 
      "readable": "Fence", 
      "name": "construction--barrier--fence", 
      "evaluate": true
    }, 
    {
      "color": [
        180, 
        165, 
        180
      ], 
      "instances": false, 
      "readable": "Guard Rail", 
      "name": "construction--barrier--guard-rail", 
      "evaluate": true
    }, 
    {
      "color": [
        90, 
        120, 
        150
      ], 
      "instances": false, 
      "readable": "Barrier", 
      "name": "construction--barrier--other-barrier", 
      "evaluate": true
    }, 
    {
      "color": [
        102, 
        102, 
        156
      ], 
      "instances": false, 
      "readable": "Wall", 
      "name": "construction--barrier--wall", 
      "evaluate": true
    }, 
    {
      "color": [
        128, 
        64, 
        255
      ], 
      "instances": false, 
      "readable": "Bike Lane", 
      "name": "construction--flat--bike-lane", 
      "evaluate": true
    }, 
    {
      "color": [
        140, 
        140, 
        200
      ], 
      "instances": true, 
      "readable": "Crosswalk - Plain", 
      "name": "construction--flat--crosswalk-plain", 
      "evaluate": true
    }, 
    {
      "color": [
        170, 
        170, 
        170
      ], 
      "instances": false, 
      "readable": "Curb Cut", 
      "name": "construction--flat--curb-cut", 
      "evaluate": true
    }, 
    {
      "color": [
        250, 
        170, 
        160
      ], 
      "instances": false, 
      "readable": "Parking", 
      "name": "construction--flat--parking", 
      "evaluate": true
    }, 
    {
      "color": [
        96, 
        96, 
        96
      ], 
      "instances": false, 
      "readable": "Pedestrian Area", 
      "name": "construction--flat--pedestrian-area", 
      "evaluate": true
    }, 
    {
      "color": [
        230, 
        150, 
        140
      ], 
      "instances": false, 
      "readable": "Rail Track", 
      "name": "construction--flat--rail-track", 
      "evaluate": true
    }, 
    {
      "color": [
        128, 
        64, 
        128
      ], 
      "instances": false, 
      "readable": "Road", 
      "name": "construction--flat--road", 
      "evaluate": true
    }, 
    {
      "color": [
        110, 
        110, 
        110
      ], 
      "instances": false, 
      "readable": "Service Lane", 
      "name": "construction--flat--service-lane", 
      "evaluate": true
    }, 
    {
      "color": [
        244, 
        35, 
        232
      ], 
      "instances": false, 
      "readable": "Sidewalk", 
      "name": "construction--flat--sidewalk", 
      "evaluate": true
    }, 
    {
      "color": [
        150, 
        100, 
        100
      ], 
      "instances": false, 
      "readable": "Bridge", 
      "name": "construction--structure--bridge", 
      "evaluate": true
    }, 
    {
      "color": [
        70, 
        70, 
        70
      ], 
      "instances": false, 
      "readable": "Building", 
      "name": "construction--structure--building", 
      "evaluate": true
    }, 
    {
      "color": [
        150, 
        120, 
        90
      ], 
      "instances": false, 
      "readable": "Tunnel", 
      "name": "construction--structure--tunnel", 
      "evaluate": true
    }, 
    {
      "color": [
        220, 
        20, 
        60
      ], 
      "instances": true, 
      "readable": "Person", 
      "name": "human--person", 
      "evaluate": true
    }, 
    {
      "color": [
        255, 
        0, 
        0
      ], 
      "instances": true, 
      "readable": "Bicyclist", 
      "name": "human--rider--bicyclist", 
      "evaluate": true
    }, 
    {
      "color": [
        255, 
        0, 
        100
      ], 
      "instances": true, 
      "readable": "Motorcyclist", 
      "name": "human--rider--motorcyclist", 
      "evaluate": true
    }, 
    {
      "color": [
        255, 
        0, 
        200
      ], 
      "instances": true, 
      "readable": "Other Rider", 
      "name": "human--rider--other-rider", 
      "evaluate": true
    }, 
    {
      "color": [
        200, 
        128, 
        128
      ], 
      "instances": true, 
      "readable": "Lane Marking - Crosswalk", 
      "name": "marking--crosswalk-zebra", 
      "evaluate": true
    }, 
    {
      "color": [
        255, 
        255, 
        255
      ], 
      "instances": false, 
      "readable": "Lane Marking - General", 
      "name": "marking--general", 
      "evaluate": true
    }, 
    {
      "color": [
        64, 
        170, 
        64
      ], 
      "instances": false, 
      "readable": "Mountain", 
      "name": "nature--mountain", 
      "evaluate": true
    }, 
    {
      "color": [
        230, 
        160, 
        50
      ], 
      "instances": false, 
      "readable": "Sand", 
      "name": "nature--sand", 
      "evaluate": true
    }, 
    {
      "color": [
        70, 
        130, 
        180
      ], 
      "instances": false, 
      "readable": "Sky", 
      "name": "nature--sky", 
      "evaluate": true
    }, 
    {
      "color": [
        190, 
        255, 
        255
      ], 
      "instances": false, 
      "readable": "Snow", 
      "name": "nature--snow", 
      "evaluate": true
    }, 
    {
      "color": [
        152, 
        251, 
        152
      ], 
      "instances": false, 
      "readable": "Terrain", 
      "name": "nature--terrain", 
      "evaluate": true
    }, 
    {
      "color": [
        107, 
        142, 
        35
      ], 
      "instances": false, 
      "readable": "Vegetation", 
      "name": "nature--vegetation", 
      "evaluate": true
    }, 
    {
      "color": [
        0, 
        170, 
        30
      ], 
      "instances": false, 
      "readable": "Water", 
      "name": "nature--water", 
      "evaluate": true
    }, 
    {
      "color": [
        255, 
        255, 
        128
      ], 
      "instances": true, 
      "readable": "Banner", 
      "name": "object--banner", 
      "evaluate": true
    }, 
    {
      "color": [
        250, 
        0, 
        30
      ], 
      "instances": true, 
      "readable": "Bench", 
      "name": "object--bench", 
      "evaluate": true
    }, 
    {
      "color": [
        100, 
        140, 
        180
      ], 
      "instances": true, 
      "readable": "Bike Rack", 
      "name": "object--bike-rack", 
      "evaluate": true
    }, 
    {
      "color": [
        220, 
        220, 
        220
      ], 
      "instances": true, 
      "readable": "Billboard", 
      "name": "object--billboard", 
      "evaluate": true
    }, 
    {
      "color": [
        220, 
        128, 
        128
      ], 
      "instances": true, 
      "readable": "Catch Basin", 
      "name": "object--catch-basin", 
      "evaluate": true
    }, 
    {
      "color": [
        222, 
        40, 
        40
      ], 
      "instances": true, 
      "readable": "CCTV Camera", 
      "name": "object--cctv-camera", 
      "evaluate": true
    }, 
    {
      "color": [
        100, 
        170, 
        30
      ], 
      "instances": true, 
      "readable": "Fire Hydrant", 
      "name": "object--fire-hydrant", 
      "evaluate": true
    }, 
    {
      "color": [
        40, 
        40, 
        40
      ], 
      "instances": true, 
      "readable": "Junction Box", 
      "name": "object--junction-box", 
      "evaluate": true
    }, 
    {
      "color": [
        33, 
        33, 
        33
      ], 
      "instances": true, 
      "readable": "Mailbox", 
      "name": "object--mailbox", 
      "evaluate": true
    }, 
    {
      "color": [
        100, 
        128, 
        160
      ], 
      "instances": true, 
      "readable": "Manhole", 
      "name": "object--manhole", 
      "evaluate": true
    }, 
    {
      "color": [
        142, 
        0, 
        0
      ], 
      "instances": true, 
      "readable": "Phone Booth", 
      "name": "object--phone-booth", 
      "evaluate": true
    }, 
    {
      "color": [
        70, 
        100, 
        150
      ], 
      "instances": false, 
      "readable": "Pothole", 
      "name": "object--pothole", 
      "evaluate": true
    }, 
    {
      "color": [
        210, 
        170, 
        100
      ], 
      "instances": true, 
      "readable": "Street Light", 
      "name": "object--street-light", 
      "evaluate": true
    }, 
    {
      "color": [
        153, 
        153, 
        153
      ], 
      "instances": true, 
      "readable": "Pole", 
      "name": "object--support--pole", 
      "evaluate": true
    }, 
    {
      "color": [
        128, 
        128, 
        128
      ], 
      "instances": true, 
      "readable": "Traffic Sign Frame", 
      "name": "object--support--traffic-sign-frame", 
      "evaluate": true
    }, 
    {
      "color": [
        0, 
        0, 
        80
      ], 
      "instances": true, 
      "readable": "Utility Pole", 
      "name": "object--support--utility-pole", 
      "evaluate": true
    }, 
    {
      "color": [
        250, 
        170, 
        30
      ], 
      "instances": true, 
      "readable": "Traffic Light", 
      "name": "object--traffic-light", 
      "evaluate": true
    }, 
    {
      "color": [
        192, 
        192, 
        192
      ], 
      "instances": true, 
      "readable": "Traffic Sign (Back)", 
      "name": "object--traffic-sign--back", 
      "evaluate": true
    }, 
    {
      "color": [
        220, 
        220, 
        0
      ], 
      "instances": true, 
      "readable": "Traffic Sign (Front)", 
      "name": "object--traffic-sign--front", 
      "evaluate": true
    }, 
    {
      "color": [
        140, 
        140, 
        20
      ], 
      "instances": true, 
      "readable": "Trash Can", 
      "name": "object--trash-can", 
      "evaluate": true
    }, 
    {
      "color": [
        119, 
        11, 
        32
      ], 
      "instances": true, 
      "readable": "Bicycle", 
      "name": "object--vehicle--bicycle", 
      "evaluate": true
    }, 
    {
      "color": [
        150, 
        0, 
        255
      ], 
      "instances": true, 
      "readable": "Boat", 
      "name": "object--vehicle--boat", 
      "evaluate": true
    }, 
    {
      "color": [
        0, 
        60, 
        100
      ], 
      "instances": true, 
      "readable": "Bus", 
      "name": "object--vehicle--bus", 
      "evaluate": true
    }, 
    {
      "color": [
        0, 
        0, 
        142
      ], 
      "instances": true, 
      "readable": "Car", 
      "name": "object--vehicle--car", 
      "evaluate": true
    }, 
    {
      "color": [
        0, 
        0, 
        90
      ], 
      "instances": true, 
      "readable": "Caravan", 
      "name": "object--vehicle--caravan", 
      "evaluate": true
    }, 
    {
      "color": [
        0, 
        0, 
        230
      ], 
      "instances": true, 
      "readable": "Motorcycle", 
      "name": "object--vehicle--motorcycle", 
      "evaluate": true
    }, 
    {
      "color": [
        0, 
        80, 
        100
      ], 
      "instances": false, 
      "readable": "On Rails", 
      "name": "object--vehicle--on-rails", 
      "evaluate": true
    }, 
    {
      "color": [
        128, 
        64, 
        64
      ], 
      "instances": true, 
      "readable": "Other Vehicle", 
      "name": "object--vehicle--other-vehicle", 
      "evaluate": true
    }, 
    {
      "color": [
        0, 
        0, 
        110
      ], 
      "instances": true, 
      "readable": "Trailer", 
      "name": "object--vehicle--trailer", 
      "evaluate": true
    }, 
    {
      "color": [
        0, 
        0, 
        70
      ], 
      "instances": true, 
      "readable": "Truck", 
      "name": "object--vehicle--truck", 
      "evaluate": true
    }, 
    {
      "color": [
        0, 
        0, 
        192
      ], 
      "instances": true, 
      "readable": "Wheeled Slow", 
      "name": "object--vehicle--wheeled-slow", 
      "evaluate": true
    }, 
    {
      "color": [
        32, 
        32, 
        32
      ], 
      "instances": false, 
      "readable": "Car Mount", 
      "name": "void--car-mount", 
      "evaluate": true
    }, 
    {
      "color": [
        120, 
        10, 
        10
      ], 
      "instances": false, 
      "readable": "Ego Vehicle", 
      "name": "void--ego-vehicle", 
      "evaluate": true
    }, 
    {
      "color": [
        0, 
        0, 
        0
      ], 
      "instances": false, 
      "readable": "Unlabeled", 
      "name": "void--unlabeled", 
      "evaluate": false
    }
  ], 
  "version": 1.1, 
  "mapping": "public", 
  "folder_structure": "{split}/{content}/{key:.{22}}.{ext}"
}

三、标注示例

在这里插入图片描述
在这里插入图片描述

呆呆的猫
关注
专栏目录
机器学习常见数据集（Mapillary，Cityscapes，PASCAL VOC）
weixin_41340063的博客
09-21 2667
Mapillary https://www.mapillary.com/dataset Mapillary Vistas Dataset A diverse street-level imagery dataset with pixel‑accurate and instance‑specific human annotations for understanding street scenes around the world. Features 25,000 high-resolution image
Mapillary发布世界最大交通标志数据集，用于自动驾驶研究
我爱计算机视觉
09-16 1338
点击我爱计算机视觉标星，更快获取CVML新技术相信对于Mapillary大家并不陌生，该公司一直致力于推动自动驾驶的研究，发布了专门面向自动驾驶的覆盖全球多个地区的街景数据集Mapill...
探索街景新视界：MapillaryJS 开源项目推荐
最新发布
gitblog_00091的博客
09-11 676
探索街景新视界：MapillaryJS 开源项目推荐 mapillary-js Interactive, extendable street imagery map experiences in the browser, powered by WebGL ...
自动驾驶领域开源数据集详细汇总
weixin_55366265的博客
09-26 5358
1. KITTI数据集KITTI数据集由德国卡尔斯鲁厄理工学院和丰田美国技术研究院联合创办，是目前最大的自动驾驶场景下的计算机视觉算法评测数据集。该数据集用于评测立体图像(stereo)，...
自动驾驶数据集盘点 | 小马数据
m0_49776739的博客
04-03 1991
1.Apolloscape 网站地址：http://apolloscape.auto/ ApolloScape使用移动激光雷达扫描仪器从Reigl收集点云。这种方法产生的三维点云要比Velodyne产生点云更精确、更稠密。在采集车车顶上安装有标定好的高分辨率相机以每一米一帧的速率同步记录采集车周围的场景。而且，整个系统配有高精度GPS和IMU，相机的实时位姿都可以被同步记录。 2.Astyx Dataset HiRes2019 网站地址：https://www.astyx.com/developmen.
Dataset之MapillaryVistas：MapillaryVistas数据集的简介、下载、使用方法之详细攻略
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
08-29 1万+
Dataset之MapillaryVistas：MapillaryVistas数据集的简介、下载、使用方法之详细攻略 目录 MapillaryVistas数据集的简介 1、数据集特点 MapillaryVistas数据集的下载 MapillaryVistas数据集的使用方法 MapillaryVistas数据集的简介 ...
MapillaryVistas数据集入门
牛肉胡辣汤
10-27 530
MapillaryVistas数据集由Mapillary公司收集和发布，是一个全球性的街景图像数据集。该数据集包含了来自全球各地的高分辨率街景图像，并且每个图像都进行了像素级别的标注，标注了不同对象的类别和位置信息。MapillaryVistas数据集包含了25,000张图像，覆盖了世界各个城市和乡村地区。每张图像的分辨率为2048x1024像素，并且标注了涵盖了65个不同类别的物体，包括车辆、行人、自行车、路标、建筑物等。
「Computer Vision」Note on Mapillary Vistas Dataset
小锋子Shawn
02-17 730
QQ Group: 428014259 Tencent E-mail：403568338@qq.com http://blog.csdn.net/dgyuanshaofeng/article/details/87559155 [1] The Mapillary Vistas Dataset for Semantic Understanding of Street Scenes ICCV 2017 ...
mapillary_sls:枫叶街道级序列数据集
05-10
枫叶街道级序列 :newspaper: 消息 2020-07-14-已发布补丁v1.1，该补丁修复了一些损坏的图像-如果您已请求数据，则将获得下载该链接的链接。 描述 Mapillary街道级序列（MSLS）是包含160万个街道级图像的大规模长期位置识别数据集。 :down_arrow: 下载： : （示例） :page_facing_up: 论文： ： :balance_scale:‍:balance_scale: :ballot_box_with_ballot: :fire: 使用MSLS 我们已经在datas 包括了PyTorch数据。 它可用于评估（返回数据库和查询图像）或用于训练（返回三胞胎）。 查看以了解其用法。 :bar_chart: 独立评估脚本 一个可用于所有任务。 它从文本文件（示例）中读取预测并打印指标。 在这里，我们显示了由Resnet50主干网和广义均值层组成的模型的结果。 使用标准三重态损失或不确定性可识别的贝叶斯三重态损失对模型进行训练。 所有模型都经过标准硬负片挖掘的图像分辨率224x224训练。 测试集（迈阿密，雅典，
Win10环境下用Deeplabv3+模型训练Mapillary Vistas dataset(一)
Lois_Wang99的博客
02-26 2102
最近在做街景图象的语义分割，阅读了一些文献之后准备开始实战。用的模型是这两年很火的deeplabv3+，数据集是申请mapillary提供给researcher的数据集。
Mapillary2COCO:将Mapillary Vistas数据集传输为Coco格式
05-09
将Mapillary Vistas数据集转换为Coco格式 此python脚本可帮助您将枫叶远景数据集转换为coco格式。 简单的介绍 这是给定的instance图像。 标签信息嵌入到每个像素值中。 pixel / 256 # the value represents this pixel belongs to which label. pixel %6 # the value represents this pixel is the i-th instance of its label. 下载链接 您可以从以下链接下载CoCo格式（以JSON注释）的培训和验证集。 [1] [2]
mapillary:Mapillary - Python API
06-14
Mapillary：Python API 非常感谢为发布了许多出色的。 安装 来自Github Repo 的最新版本 $ git clone https://github.com/DenisCarriere/mapillary.git $ cd mapillary_tools $ python setup.py install 来自PyPi 的稳定版本 $ pip install mapillary 兼容性 Mapillary API 在以下 Python 版本上进行了测试： 2.7 命令行界面 $ mapillary -h 范围 描述 command 地图API input 输入：文件路径 -o , --out 输出：文件路径 -e , --email Mapillary：电子邮件 -u ， --username 地图：用户名 -p , --password 地图：
mapillary_vistas:MVD评估脚本
05-04
Mapillary Vistas数据集（MVD）评估脚本 该存储库包含用于对MVD预测（例如，基于培训和验证数据）进行评估的脚本，并另外构成了我们评估服务器的基础。 因此，在计算机生成的结果上成功运行这些脚本有助于验证评估服务器所需的预测变量的输出格式。 用法 主要入口点是mapillary_vistas/tools/evaluation.py 。 以下命令行选项是必需的： -c ， --config提供您下载的MVD的副本分发配置文件的位置。 -g ，-- --ground-truth-labels提供了随MVD分发的特定于实例的地面真相标签文件的路径。 -p ，-- --prediction-labels提供您的预测路径。 预期文件为PNG格式的8位灰度编码，像素值被视为配置文件中标签列表的索引。 标志-l和-p都假定所有生成的文件都位于相同的指定文件夹位置内。 最重要的可选
Mapillary – Crowdsourced Street Photos-crx插件
03-14
使用Mapillary街拍照片探索世界。 有史以来最好的枫木 支持语言:English
mapillary_osm_photoreview:一个 Web 应用程序，用于查看区域中上传的 Mapillary 照片以供 OpenStreetMap 使用
06-10
mapillary_osm_photoreview 一个 Web 应用程序，用于查看区域中上传的 Mapillary 照片以供 OpenStreetMap 使用。 此应用程序尚未准备好使用。 安装 安装应用程序 $ git clone https://github.com/jrcarlsen/mapillary_osm_photoreview 安装依赖 $ pip install python-social-auth $ pip install tornado $ pip install mapillary
LightNet：用于语义图像分割的轻量级网络（Cityscapes和Mapillary Vistas数据集）-Python开发
05-25
LightNet !!!新仓库。 ⇒LightNet ++：增强的轻量级网络，用于实时语义分割！！！ ⇒EfficientNet.PyTorch：Ef LightNet的简洁，模块化，人性化的PyTorch实现！ ⇒LightNet ++：增强的轻量级网络，用于实时语义分割！！！ ⇒EfficientNet.PyTorch：具有预先训练的权重的EfficientNet的简洁，模块化，人性化的PyTorch实施!!!新仓库。 ⇒MixNet-Pytorch：具有预先训练的权重的MixNet的简洁，模块化，人性化的PyTorch实现该存储库包含以下代码（在PyTorch中）：“ LightNet：用于语义图像分割的轻量级网络”（联合国
图像语义分割 公开数据集 智能驾驶方向
黎国溥
10-23 1729
本文整理了10个质量较好，数据集较大，比较新的，图像语义分割的公开数据集；主要服务于智能驾驶方向（辅助驾驶、自动驾驶等）。目录一、发布方：IIIT Hyderabad发布时间：2017年（2020年推出，2.0更新版本）简介：这是一个新颖的大规模街道级图像数据集，通过使用多边形来描绘单个对象，以精细和细粒度的样式执行注释包含25,000个高分辨率图像，标注为66个对象类别，有37个类别的特定实例的标签采集地点：欧洲、北美和南美、亚洲、非洲和大洋洲的部分地区。
街景语义分割数据集总结
热门推荐
Holeung blog
05-06 1万+
汇总 SYNTHIA-Dataset 一个大规模的虚拟城市的真实感渲染图数据集，带有语义分割信息，是为了在自动驾驶或城市场景规划等研究领域中的场景理解而提出的。提供了11个类别物体（分别为空、天空、建筑、道路、人行道、栅栏、植被、杆、车、信号标志、行人、骑自行车的人）细粒度的像素级别的标注。包含从渲染的视频流中提取出的13407张训练图像，该数据集也以其多变性而著称，包括场景（城镇、城市、高速...
自动驾驶领域的语义分割数据集有哪些
MindFlow——Training Data as a Service
01-04 1909
对城市自动驾驶语义分割的开源数据集的理解，可能会对工程师如何训练自动驾驶模型有所帮助。 最近10年我们在语义分割数据集的创建和算法提升方面付出了很多努力。最近得益于深度学习理论的发展，我们在视觉场景理解的子领域中获得了不少进步。深度学习的缺点是需要大量的标注数据，这里我们整理了一些广泛应用的城市语义分割的数据集希望可以为自动驾驶领域提供借鉴。 这是我们关于如何为自动驾驶提供语义分割数据集系列...
图像语义分割msrcv2数据集
04-27
MSRCv2数据集是一个用于图像语义分割的经典数据集，包含了591张图片，其中每张图片大小为320×240像素。该数据集中的图像从真实世界中采集，涵盖了21个不同的类别，包括天空、草地、建筑物、人和车辆等。每个像素都被标注为21个不同的类别之一。该数据集在计算机视觉领域被广泛应用于图像语义分割算法的评估和比较。
评论 3
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

打赏作者

呆呆的猫

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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