NTU RGB+D数据集 训练集、测试集划分与缺失值处理

最新推荐文章于 2024-04-13 09:56:34 发布
最新推荐文章于 2024-04-13 09:56:34 发布
阅读量990 收藏 10
点赞数
文章标签： 人工智能 深度学习
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/weixin_54644818/article/details/128278772
版权

NTU RGB+D数据集的基本信息不再赘述，如有需要请移步：NTU-RGB+D数据集，本文着眼于其训练集、测试集的划分与缺失值处理（附代码）。

训练集、测试集划分

Cross-Subject

  • 按照人物ID***（P）***进行划分，其中将人物ID为1,2,4,5,8,9,13,14,15,16,17,18,19,25,27,28,31,34,35,38的样本作为训练集（20人），共40320个样本；剩余的作为测试集（20人），共16560个样本。
import os
import shutil


path = "./NTU RGB+D"      # 文件夹目录，存放所有56880个样本的文件夹
files = os.listdir(path)    # 得到文件夹下的所有文件名称
train = ['P001', 'P002', 'P004', 'P005', 'P008', 'P009', 'P013', 'P014', 'P015', 'P016', 'P017', 'P018', 'P019',
         'P025', 'P027', 'P028', 'P031', 'P034', 'P035', 'P038']
test = ['P003', 'P006', 'P007', 'P010', 'P011', 'P012', 'P020', 'P021', 'P022', 'P023', 'P024', 'P026', 'P029',
        'P030', 'P032', 'P033', 'P036', 'P037', 'P039', 'P040']

for file in files:  # 遍历文件夹
    for i in range(20):
        if train[i] in file:
            file = os.path.join(path, file)
            shutil.copy(file, './Cross-Subject/Train')
    for i in range(20):
        if test[i] in file:
            file = os.path.join(path, file)
            shutil.copy(file, './Cross-Subject/Test')

Cross-View

  • 按照相机ID***（C）***进行划分，其中将相机ID为2,3的作为训练集（2个相机），共37920个样本；相机ID为1的作为测试集，共18960个样本。
import os
import shutil


path = "./NTU RGB+D"      # 文件夹目录，存放所有56880个样本的文件夹
files = os.listdir(path)    # 得到文件夹下的所有文件名称
train = ['C002', 'C003']
test = ['C001']

for file in files:  # 遍历文件夹
    for i in range(2):
        if train[i] in file:
            file = os.path.join(path, file)
            shutil.copy(file, './Cross-View/Train')
    for i in range(1):
        if test[i] in file:
            file = os.path.join(path, file)
            shutil.copy(file, './Cross-View/Test')

缺失值处理

  • NTU RGB+D数据集的部分数据***（共302个样本）***存在骨架缺失问题，该部分数据官方建议弃用。

缺失样本名称如下：

S001C002P005R002A008
S001C002P006R001A008
S001C003P002R001A055
S001C003P002R002A012
S001C003P005R002A004
S001C003P005R002A005
S001C003P005R002A006
S001C003P006R002A008
S002C002P011R002A030
S002C003P008R001A020
S002C003P010R002A010
S002C003P011R002A007
S002C003P011R002A011
S002C003P014R002A007
S003C001P019R001A055
S003C002P002R002A055
S003C002P018R002A055
S003C003P002R001A055
S003C003P016R001A055
S003C003P018R002A024
S004C002P003R001A013
S004C002P008R001A009
S004C002P020R001A003
S004C002P020R001A004
S004C002P020R001A012
S004C002P020R001A020
S004C002P020R001A021
S004C002P020R001A036
S005C002P004R001A001
S005C002P004R001A003
S005C002P010R001A016
S005C002P010R001A017
S005C002P010R001A048
S005C002P010R001A049
S005C002P016R001A009
S005C002P016R001A010
S005C002P018R001A003
S005C002P018R001A028
S005C002P018R001A029
S005C003P016R002A009
S005C003P018R002A013
S005C003P021R002A057
S006C001P001R002A055
S006C002P007R001A005
S006C002P007R001A006
S006C002P016R001A043
S006C002P016R001A051
S006C002P016R001A052
S006C002P022R001A012
S006C002P023R001A020
S006C002P023R001A021
S006C002P023R001A022
S006C002P023R001A023
S006C002P024R001A018
S006C002P024R001A019
S006C003P001R002A013
S006C003P007R002A009
S006C003P007R002A010
S006C003P007R002A025
S006C003P016R001A060
S006C003P017R001A055
S006C003P017R002A013
S006C003P017R002A014
S006C003P017R002A015
S006C003P022R002A013
S007C001P018R002A050
S007C001P025R002A051
S007C001P028R001A050
S007C001P028R001A051
S007C001P028R001A052
S007C002P008R002A008
S007C002P015R002A055
S007C002P026R001A008
S007C002P026R001A009
S007C002P026R001A010
S007C002P026R001A011
S007C002P026R001A012
S007C002P026R001A050
S007C002P027R001A011
S007C002P027R001A013
S007C002P028R002A055
S007C003P007R001A002
S007C003P007R001A004
S007C003P019R001A060
S007C003P027R002A001
S007C003P027R002A002
S007C003P027R002A003
S007C003P027R002A004
S007C003P027R002A005
S007C003P027R002A006
S007C003P027R002A007
S007C003P027R002A008
S007C003P027R002A009
S007C003P027R002A010
S007C003P027R002A011
S007C003P027R002A012
S007C003P027R002A013
S008C002P001R001A009
S008C002P001R001A010
S008C002P001R001A014
S008C002P001R001A015
S008C002P001R001A016
S008C002P001R001A018
S008C002P001R001A019
S008C002P008R002A059
S008C002P025R001A060
S008C002P029R001A004
S008C002P031R001A005
S008C002P031R001A006
S008C002P032R001A018
S008C002P034R001A018
S008C002P034R001A019
S008C002P035R001A059
S008C002P035R002A002
S008C002P035R002A005
S008C003P007R001A009
S008C003P007R001A016
S008C003P007R001A017
S008C003P007R001A018
S008C003P007R001A019
S008C003P007R001A020
S008C003P007R001A021
S008C003P007R001A022
S008C003P007R001A023
S008C003P007R001A025
S008C003P007R001A026
S008C003P007R001A028
S008C003P007R001A029
S008C003P007R002A003
S008C003P008R002A050
S008C003P025R002A002
S008C003P025R002A011
S008C003P025R002A012
S008C003P025R002A016
S008C003P025R002A020
S008C003P025R002A022
S008C003P025R002A023
S008C003P025R002A030
S008C003P025R002A031
S008C003P025R002A032
S008C003P025R002A033
S008C003P025R002A049
S008C003P025R002A060
S008C003P031R001A001
S008C003P031R002A004
S008C003P031R002A014
S008C003P031R002A015
S008C003P031R002A016
S008C003P031R002A017
S008C003P032R002A013
S008C003P033R002A001
S008C003P033R002A011
S008C003P033R002A012
S008C003P034R002A001
S008C003P034R002A012
S008C003P034R002A022
S008C003P034R002A023
S008C003P034R002A024
S008C003P034R002A044
S008C003P034R002A045
S008C003P035R002A016
S008C003P035R002A017
S008C003P035R002A018
S008C003P035R002A019
S008C003P035R002A020
S008C003P035R002A021
S009C002P007R001A001
S009C002P007R001A003
S009C002P007R001A014
S009C002P008R001A014
S009C002P015R002A050
S009C002P016R001A002
S009C002P017R001A028
S009C002P017R001A029
S009C003P017R002A030
S009C003P025R002A054
S010C001P007R002A020
S010C002P016R002A055
S010C002P017R001A005
S010C002P017R001A018
S010C002P017R001A019
S010C002P019R001A001
S010C002P025R001A012
S010C003P007R002A043
S010C003P008R002A003
S010C003P016R001A055
S010C003P017R002A055
S011C001P002R001A008
S011C001P018R002A050
S011C002P008R002A059
S011C002P016R002A055
S011C002P017R001A020
S011C002P017R001A021
S011C002P018R002A055
S011C002P027R001A009
S011C002P027R001A010
S011C002P027R001A037
S011C003P001R001A055
S011C003P002R001A055
S011C003P008R002A012
S011C003P015R001A055
S011C003P016R001A055
S011C003P019R001A055
S011C003P025R001A055
S011C003P028R002A055
S012C001P019R001A060
S012C001P019R002A060
S012C002P015R001A055
S012C002P017R002A012
S012C002P025R001A060
S012C003P008R001A057
S012C003P015R001A055
S012C003P015R002A055
S012C003P016R001A055
S012C003P017R002A055
S012C003P018R001A055
S012C003P018R001A057
S012C003P019R002A011
S012C003P019R002A012
S012C003P025R001A055
S012C003P027R001A055
S012C003P027R002A009
S012C003P028R001A035
S012C003P028R002A055
S013C001P015R001A054
S013C001P017R002A054
S013C001P018R001A016
S013C001P028R001A040
S013C002P015R001A054
S013C002P017R002A054
S013C002P028R001A040
S013C003P008R002A059
S013C003P015R001A054
S013C003P017R002A054
S013C003P025R002A022
S013C003P027R001A055
S013C003P028R001A040
S014C001P027R002A040
S014C002P015R001A003
S014C002P019R001A029
S014C002P025R002A059
S014C002P027R002A040
S014C002P039R001A050
S014C003P007R002A059
S014C003P015R002A055
S014C003P019R002A055
S014C003P025R001A048
S014C003P027R002A040
S015C001P008R002A040
S015C001P016R001A055
S015C001P017R001A055
S015C001P017R002A055
S015C002P007R001A059
S015C002P008R001A003
S015C002P008R001A004
S015C002P008R002A040
S015C002P015R001A002
S015C002P016R001A001
S015C002P016R002A055
S015C003P008R002A007
S015C003P008R002A011
S015C003P008R002A012
S015C003P008R002A028
S015C003P008R002A040
S015C003P025R002A012
S015C003P025R002A017
S015C003P025R002A020
S015C003P025R002A021
S015C003P025R002A030
S015C003P025R002A033
S015C003P025R002A034
S015C003P025R002A036
S015C003P025R002A037
S015C003P025R002A044
S016C001P019R002A040
S016C001P025R001A011
S016C001P025R001A012
S016C001P025R001A060
S016C001P040R001A055
S016C001P040R002A055
S016C002P008R001A011
S016C002P019R002A040
S016C002P025R002A012
S016C003P008R001A011
S016C003P008R002A002
S016C003P008R002A003
S016C003P008R002A004
S016C003P008R002A006
S016C003P008R002A009
S016C003P019R002A040
S016C003P039R002A016
S017C001P016R002A031
S017C002P007R001A013
S017C002P008R001A009
S017C002P015R001A042
S017C002P016R002A031
S017C002P016R002A055
S017C003P007R002A013
S017C003P008R001A059
S017C003P016R002A031
S017C003P017R001A055
S017C003P020R001A059

  • 缺失值剔除代码

import os
import shutil


F = open('Miss_Value.txt', encoding='utf-8')  # 将上文中的缺失值名称保存为txt文件
lines = []
for line in F:
    lines.append(line.strip())

path1 = "./Cross-Subject/Train"      # 文件夹目录，划分数据集操作中按照人物ID分好的训练集
files1 = os.listdir(path1)    # 得到文件夹下的所有文件名称
path2 = "./Cross-Subject/Test"      # 文件夹目录，划分数据集操作中按照人物ID分好的测试集
files2 = os.listdir(path2)    # 得到文件夹下的所有文件名称
path3 = "./Cross-View/Train"      # 文件夹目录，划分数据集操作中按照相机ID分好的训练集
files3 = os.listdir(path3)    # 得到文件夹下的所有文件名称
path4 = "./Cross-View/Test"      # 文件夹目录，划分数据集操作中按照相机ID分好的测试集
files4 = os.listdir(path4)    # 得到文件夹下的所有文件名称

for file in files1:  # 遍历文件夹
    for i in range(302):
        if lines[i] in file:
            file = os.path.join(path1, file)
            shutil.move(file, './Cross-Subject/Train-Miss')
for file in files2:  # 遍历文件夹
    for i in range(302):
        if lines[i] in file:
            file = os.path.join(path2, file)
            shutil.move(file, './Cross-Subject/Test-Miss')
for file in files3:  # 遍历文件夹
    for i in range(302):
        if lines[i] in file:
            file = os.path.join(path3, file)
            shutil.move(file, './Cross-View/Train-Miss')
for file in files4:  # 遍历文件夹
    for i in range(302):
        if lines[i] in file:
            file = os.path.join(path4, file)
            shutil.move(file, './Cross-View/Test-Miss')

PS：缺失样本在各个文件夹中的具体个数如下，注意核对

Cross-View：
Train：274 
Test：28
Cross-Subject：
Train：229
Test：73

最终可得到如下所示数据：
在这里插入图片描述
在这里插入图片描述
另：后续处理待补充。

S-atan
关注
  • 0
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
NTU-RGB+D数据集
weixin_51450749的博客
12-27 3万+
NTU-RGB+D（60）数据集 论文连接：NTU-RGB+D 一、基本介绍 该数据集包含60个种类的动作（见表1），共56880个样本，其中有40类为日常行为动作，9类为与健康相关的动作，11类为双人相互动作。这些动作由40个年龄从10岁到35岁的人完成。该数据集由微软 Kinect v2传感器采集得到，并且使用了三个角度不同的摄像机，采集的数据形式包括深度信息、3D骨骼信息、RGB帧以及红外序列。 表1 动作种类 二、两个评价准则 NTU数据集在划分训练集和测试集时采用不同的划分标准。 1、Cross
NTURGB-D:“ NTU RGB + D动作识别数据集”的信息和示例代码
05-02
“ NTU RGB + D”动作识别数据集 “ NTU RGB + D 120”动作识别数据集 “ NTU RGB + D”是用于人类动作识别的大规模数据集。 在我们的CVPR 2016论文。 “ NTU RGB + D 120”是“ NTU RGB + D”数据集的扩展版本。 它在我们的TPAMI 2019论文。 有关数据集的任何可能查询，请联系论文的第一作者。 如何下载数据集 请单击以获取有关访问“ NTU RGB + D”和“ NTU RGB + D 120”数据集的更多信息。 如果仅需要骨架数据，也可以通过以下方式获取它： 数据集的结构 “ NTU RGB + D”和“ NTU RGB + D 120”数据集分别包含56,880和114,480个动作样本。两个数据集都为每种样本包括4种不同的数据形式： RGB视频 深度图序列 3D骨骼数据 红外（IR）视频 视频样本已同
探索NTURGB-D: 一个强大的RGB-D数据集与深度学习利器
最新发布
gitblog_00060的博客
04-13 397
探索NTURGB-D: 一个强大的RGB-D数据集与深度学习利器 项目地址:https://gitcode.com/shahroudy/NTURGB-D 项目简介 NTURGB-D是一个由国立台湾大学（NTU）开发的大型RGB-D（彩色+深度）动作识别数据集。它旨在推动三维人体行为理解和计算机视觉在这一领域的研究。该数据集包含超过56,000个样本，涉及60种不同的动作类别，涵盖多种复杂的交互和...
matlab数据输入代码-PLSTM:在张量流中实现部分感知的lstm，用于具有数据集NTURGB+D的基于骨骼的动作识别
05-27
matlab数据输入代码在TensorFlow中实现部分感知LSTM 在中提出了部分感知的lstm ，用于基于骨骼的动作识别。 它将整个身体分为5个身体部位。 经过特殊设计的lstm单元比普通单元可以更好地提取上下文特征。 单元图如下所示： 与正常的lstm细胞相比，不难发现plstm已分离出与不同身体部位相对应的i，g和g门。 受到启发。 因此，让我们在TensorFlow中实现它。 文件夹network包括三个文件PartAwareLSTMCell.py ， DataLoader.py和PLSTM.py 。 PartAwareLSTMCell.py是可识别零件的LSTM单元。 DataLoader.py是用于加载和预处理框架数据的数据加载器。 请注意，所有骨架数据的格式类似于数组[Number_clips，{'mat'：data，'view'：v，'class'：c，'actor'：a}]数据，其格式为[Frames，25，3] PLSTM.py是主要的培训和评估条目。 夹utils包括一个文件， gendata.py其使用，以产生在numpy的阵列中的格式的数据。 请注意，所有原
NTU-RGBD合集.xlsx
06-12
NTU论文整理，包含17、18年的绝大多数顶级期刊和会议的论文
基于骨骼的行为识别笔记（NTU RGBD数据集解析）
以笔为剑的唐吉坷德
06-03 1万+
目录1. 人类行为（层次）：2. 输入数据3. 基于骨架的行为识别4. 数据集4.1 NTU RGBD4.1.1 下载方式4.1.2 Benchmark5. 相关论文5.1 Skeleton-based Action Recognition with Convolution Neural Networks(2017.8 海康威视)5.1.1 论文亮点5.2 Co-ocurrence Feature Learning from Skeleton Data for Action Recognition and
介绍动作识别数据集：“NTU RGB+D”数据集和“NTU RGB+D 120”数据集
源代码杀手的博客
05-13 3353
动作识别数据集：“NTU RGB+D”数据集和“NTU RGB+D 120”数据集（还包括AUTH UAV手势数据集：NTU 4级）本页介绍两个数据集：“NTU RGB+D”和“NTU RGB+D 120”。“NTU RGB+D”包含60个动作类和56，880个视频样本。“NTU RGB+D 120”扩展了“NTU RGB+D”，增加了另外60个类和另外57，600个视频样本，即“NTU RGB+D 120”总共有120个类和114，480个样本。
NTU_RGB+D数据集介绍及骨架数据可视化
牵一只蜗牛去散步
12-04 1万+
NTU_RGB+D动作识别数据集由56880个动作样本组成，涵盖每个样本的RGB视频、深度图序列、3D骨架数据和红外视频等。
深度学习（1）RGB-D数据集：ScanNet
热门推荐
sinat_41354290的博客
06-22 1万+
 本文主要介绍相关的RGB-D数据，并完成其搬运工作。 目录1. ScanNet数据集1.1 获取数据集1.2 解析数据集1.2.1 2D数据 1. ScanNet数据集 1513个采集场景数据，21个类别的对象，其中，1201个场景用于训练，312个场景用于测试。  ScanNet is an RGB-D video dataset containing 2.5 million views in more than 1500 scans, annotated with 3D camera poses,..
【项目实战】三维重建：基于RGB-D数据集的TSDF算法
shinuone的博客
05-30 4574
从理论到实战：详细介绍三维重建的基础知识 + TSDF算法原理 + 基于深度图的项目实战
NTU-RGB+D数据处理(CTR-GCN ICCV2021)
qq_33331451的博客
12-09 4086
文章目录get_raw_skes_data.pyget_raw_denoised_data.pyseq_transformation.py get_raw_skes_data.py ''' 本文件主要生成四个文件 raw_data ├── frames_cnt.txt │ ├── num_frame_interval(list) ├── frames_drop.log │ ├── num_frame_interval(list) ├── frames_dro
Two-Stream-CNN:在Keras中实现的两个Stream CNN结合使用基于骨架的动作识别和数据集NTU RGB + D
04-29
两个流的输入分别是原始数据（x，y，z）和帧差。 如下图所示：用法function / data_generator.py ：生成两个流的输入numpy数组layer / transformer ：Keras中的Skeleton Transformer工具层网络/ ：褶皱有四只苍蝇，...
NTU Microsoft Kinect手持式数据.zip
03-03
这是一个手势的RGB-D数据集，10个受试者 x 10个手势 x 10个变体。这是一个手势的RGB-D数据集，10个受试者 x 10个手势 x 10个变体。这是一个手势的RGB-D数据集，10个受试者 x 10个手势 x 10个变体。这是一个手势的RGB...
读取NTU-RGB-D数据集并利用关节信息生成gif
qq_44662196的博客
08-22 887
一、读取NTU-RGB-D数据集 本文基于matlab2016实现。并需要先下载NTU-RGB-D数据集，打开下载的压缩包得到的是一组后缀名为skeleton 的文件，如图1.1所示 图1.1NTU-RGB-D数据集中的 skeleton文件 主函数如下 clc clear skeletonfilename = 'C:\Users\赵迪\Downloads\Raw_Skeleton_S01-S17\skeleton+D0-30000\S001C001P001...
Hypergraph Neural Networks超图神经网络
qq_42217335的博客
10-13 6197
摘要：提出了一种超图表示学习的超图卷积网络，包括一种新的超图卷积操作来挖掘用户之间的关系。 引言：图神经网络可以使用数据图结构，编码不同数据。
行为识别数据集介绍以及NTU RGB-D数据集详细介绍
raymond的CSDN
08-08 6605
1, The KTH database(2004) KTH数据集于2004 年的发布,是计算机视觉领域的一个里程碑。此后，许多新的数据库陆续发布。数据库包括在 4个不同场景下 25 个人完成的 6 类动作(walking, jogging, running,boxing, hand waving and hand clapping)共计 2391个视频样本，是当时拍摄的最大的人体动作数据库，它使得...
【论文笔记】NTU RGB+D
LoveKKarlie_的博客
01-20 1642
NTU RGB+D数据集
骨架行为识别数据集NTU RGB+D 和NTU RGB+D 120动作标签
dramaticme的博客
03-14 1576
参考：https://github.com/shahroudy/NTURGB-D"NTU RGB+D" dataset contains 60 action classes, and "NTU RGB+D 120" dataset contains 120 action classes. The actions in these two datasets are listed below. Note that actions labelled from A1 to A60 are in "NTU RGB+D
NTU数据集
duoduohair的博客
02-26 998
动作识别常用数据集：NTU NTU120 需要骨骼数据可私信分享 可以自己在ROSE实验室网站申请下载：下载链接
nturgb数据集下载很慢
09-03
NTURGB数据集下载很慢可能是由以下几个原因造成的。 首先，NTURGB数据集可能非常庞大，包含大量的图像或视频文件。由于文件的体积较大，下载过程可能需要较长的时间。此外，NTURGB数据集可能使用了高分辨率的图像或...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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