超级会员免费看
本文介绍了多个目标检测数据集，如STN PLAD，包含高压电力线组件的高分辨率图像；Satlas，大规模遥感数据集；Street Dataset，具有非独立同分布和不平衡数据的街景图像；以及涵盖破裂手机屏幕的Cracked Mobile Screen Dataset等。这些数据集在计算机视觉和人工智能领域中用于训练和评估目标检测算法。
文章目录
- 一、STN PLAD (STN Power Line Assets Dataset)
- 二、Satlas
- 三、Street Dataset
- 四、UAVVaste
- 五、UDA-CH (Unsupervised Domain Adaptation on Cultural Heritage)
- 六、USB (Universal-Scale Object Detection Benchmark)
- 七、VEDAI (Vehicle Detection in Aerial Imagery)
- 八、VQA-OV (Visual Quality Assessment of Omnidirectional Video)
- 九、VizWiz-FewShot
- 十、YouTube-GDD (YouTube-GDD: A challenging gun detection dataset with rich contextual information)
- 十一、multiRAW
- 十二、xView3-SAR
- 十三、Autorickshaw Image Dataset | Niche Vehicle Dataset (datacluster.ai)
- 十四、Bottles and Cups Dataset | Household Objects (datacluster.ai)
- 十五、Cracked Mobile Screen Dataset
一、STN PLAD (STN Power Line Assets Dataset)
STN PLAD 是多个高压电力线组件的高分辨率真实图像数据集。 它有 2,409 个带注释的对象，分为五类：输电塔、绝缘体、垫片、塔板和 Stockbridge 阻尼器，它们的大小（分辨率）、方向、照明、角度和背景各不相同。
特性
图片尺寸：5472×3078或5472×3648
图片总数：133
实例总数：2409
每张图像的平均实例数：18.1
对象类别数量（不同资产）：5
其他统计：
抽象的
例如，许多电力公司正在使用无人机来执行检查过程，而不是让工人攀爬高压电力线塔而将其置于危险之中。 检查的一项关键任务是对输电线路中的资产进行检测和分类。 然而，与电力线资产相关的公共数据很少，阻碍了该领域的更快发展。 这项工作提出了电力线资产数据集，其中包含多个高压电力线组件的高分辨率和真实图像。 它有 2,409 个带注释的对象，分为五类：输电塔、绝缘体、垫片、塔板和 Stockbridge 阻尼器，它们的大小（分辨率）、方向、照明、角度和背景各不相同。 这项工作还对流行的深度物体检测方法进行
订阅专栏 解锁全文
扫一扫
395
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
