前言
图像语义分割是计算机视觉最经典的任务之一,早期的图像分割主要有以下几种实现方法。
基于像素分布的分割算法: KMeans、Fuzzy C Means、 GMM、MeanShift
基于图像拓扑结构的分割算法: 分水岭填充、轮廓边缘分析
基于能量最大化的分割方法: 图割
但是随着深度学习的兴趣,最近几年传统的图像分割方法已经很少被人提起,现在开始学习图像分割的都是基于深度学习的各种模型实现,这其中模型的训练需要大量的数据,所以想要了解图像分割,首先需要了解图像分割那些质量最好的各种数据集。 这些数据集有的作为benchmark 可以很公平的比较各种语义分割模型的性能与精度,评价一个模型的好坏。
数据集分类与汇总
这些数据集的标注多数都是基于像素级别的标签,也有的是基于点级别的标签。 语义分割针对不同的任务,数据集分为如下三类:
- 2D RGB图像数据集
- 2.5D或者RGB-D的深度图像数据集
- 纯立体或者3D图像数据集
这些数据集总的列表如下: