【计算机视觉 | 图像分类】图像分类常用数据集及其介绍（五）

左手的ㄟ右手 2023-10-16 12:03 45阅读 0赞

#### 文章目录 ####

*   *  一、ImageNet-O
     *  二、PlantVillage
     *  三、CIFAR-10N (Real-World Human Annotations)
     *  四、DVS128 Gesture
     *  五、MINC (Materials in Context Database)
     *  六、BigEarthNet
     *  七、Oxford-IIIT Pet Dataset
     *  八、MultiMNIST
     *  九、PGM (Procedurally Generated Matrices (PGM))
     *  十、WOS (Web of Science Dataset)
     *  十一、CARS196
     *  十二、CIFAR-100N (Real-World Human Annotations)
     *  十三、JFT-3B
     *  十四、SUN Attribute
     *  十五、Open Images V4
     *  十六、Tiny-ImageNet-C
     *  十七、Places365
     *  十八、SUN397

### 一、ImageNet-O ###

ImageNet-O 由 ImageNet-1k 数据集中未找到的类图像组成。 它用于测试视觉模型对分布外样本的鲁棒性。 它是使用 AUPR 指标来报告的。

![在这里插入图片描述][d00dfdebc04440eeb972d2c2a451ad05.png]

### 二、PlantVillage ###

PlantVillage 数据集包含 54303 张健康和不健康的叶子图像，按物种和疾病分为 38 个类别。

![在这里插入图片描述][006b33db2b5540a69b83a7e835947e9b.png]

### 三、CIFAR-10N (Real-World Human Annotations) ###

这项工作提出了两个新的基准数据集（CIFAR-10N、CIFAR-100N），为 CIFAR-10 和 CIFAR-100 的训练数据集配备了我们从 Amazon Mechanical Turk 收集的人工注释的真实世界噪声标签。

### 四、DVS128 Gesture ###

包含 3 种照明条件下 29 名受试者的 11 种手势类别。

### 五、MINC (Materials in Context Database) ###

MINC 是一个大规模、开放的野外材料数据集。

![在这里插入图片描述][af29bea51b3f4f7c8796853592addbf8.png]

### 六、BigEarthNet ###

BigEarthNet 由 590,326 个 Sentinel-2 图像块组成，每个图像块都是 i) 10m 带的 120x120 像素的一部分； ii) 20m 波段的 60x60 像素； iii) 60m 波段的 20x20 像素。

### 七、Oxford-IIIT Pet Dataset ###

Oxford-IIIT 宠物数据集有 37 个类别，每个类别大约有 200 张图像。 这些图像在比例、姿势和灯光方面有很大的变化。 所有图像都有相关的品种、头部 ROI 和像素级三图分割的地面实况注释。

![在这里插入图片描述][4503737d2a1c4db0904df9f92684c22b.png]

### 八、MultiMNIST ###

MultiMNIST 数据集是从 MNIST 生成的。 训练和测试是通过将一个数字叠加在同一组（训练或测试）但不同类别的另一个数字之上来生成的。 每个数字在每个方向最多移动 4 个像素，从而生成 36×36 的图像。 考虑到 28×28 图像中的数字被限制在 20×20 的框中，两个数字的边界框平均有 80% 的重叠。 对于 MNIST 数据集中的每个数字，都会生成 1,000 个 MultiMNIST 示例，因此训练集大小为 60M，测试集大小为 10M。

![在这里插入图片描述][dd157dea185840a8883233ecfd2b752e.png]

### 九、PGM (Procedurally Generated Matrices (PGM)) ###

PGM 数据集是研究模型中的抽象推理和泛化的工具。 泛化是一种多方面的现象； 模型没有单一、客观的方式可以或应该概括超出其经验。 PGM 数据集提供了一种以不同方式衡量模型泛化能力的方法，每种方式可能或多或少让研究人员感兴趣，具体取决于他们预期的训练设置和应用。

![在这里插入图片描述][72847c1824014e64955b593b51c95f0b.png]

### 十、WOS (Web of Science Dataset) ###

Web of Science (WOS) 是一个文档分类数据集，包含 134 个类别的 46,985 个文档，其中包括 7 个父类别。

### 十一、CARS196 ###

CARS196由196个类别的16,185张汽车图像组成。

### 十二、CIFAR-100N (Real-World Human Annotations) ###

### 十三、JFT-3B ###

JFT-3B 是 Google 内部数据集，也是 JFT-300M 数据集的更大版本。 它由近 30 亿张图像组成，通过半自动管道用大约 30k 标签的类层次结构进行注释。 换句话说，数据和相关标签是有噪声的。

### 十四、SUN Attribute ###

SUN 属性数据集由来自 717 个场景类别的 14,340 张图像组成，每个类别都用 102 个区分属性的分类法进行注释。 该数据集可用于高级场景理解和细粒度场景识别。

![在这里插入图片描述][5e0b8153f1a04f699c1090cc64d694f3.png]

### 十五、Open Images V4 ###

Open Images V4 提供跨多个维度的大规模：19800 个概念的 3010 万个图像级标签、600 个对象类的 1540 万个边界框以及涉及 57 个类的 375k 视觉关系注释。 特别是对于对象检测，提供的边界框比第二大数据集（190 万张图像上的 1540 万个框）多 15 倍。 这些图像通常显示具有多个对象的复杂场景（平均每张图像 8 个带注释的对象）。 它们之间的视觉关系被注释，这支持视觉关系检测，这是一项需要结构化推理的新兴任务。

![在这里插入图片描述][fe8a7881cb1b4eaa8b6ffa3218f6b05e.png]

### 十六、Tiny-ImageNet-C ###

Tiny-ImageNet-C 是一个开源数据集，包含应用于 Tiny-ImageNet (ImageNet-200) 测试集的算法生成的损坏（模糊、噪声）。

### 十七、Places365 ###

Places365 数据集是场景识别数据集。 它由 1000 万张图像组成，包含 434 个场景类。 该数据集有两个版本：Places365-Standard，包含来自 K=365 场景类的 180 万个训练图像和 36000 个验证图像，以及 Places365-Challenge-2016，其中训练集的大小增加到 620 万个额外图像， 包括 69 个新场景类别（来自 434 个场景类别的总共 800 万张列车图像）。

![在这里插入图片描述][a1e98e313701402eb527d6749872af2e.png]

### 十八、SUN397 ###

Scene UNderstanding (SUN) 数据库包含 899 个类别和 130,519 张图像。 有 397 个采样良好的类别，可评估众多最先进的场景识别算法。

![在这里插入图片描述][915ea8a14928499caf076a0899903128.png]

[d00dfdebc04440eeb972d2c2a451ad05.png]: https://img-blog.csdnimg.cn/d00dfdebc04440eeb972d2c2a451ad05.png
[006b33db2b5540a69b83a7e835947e9b.png]: https://img-blog.csdnimg.cn/006b33db2b5540a69b83a7e835947e9b.png
[af29bea51b3f4f7c8796853592addbf8.png]: https://img-blog.csdnimg.cn/af29bea51b3f4f7c8796853592addbf8.png
[4503737d2a1c4db0904df9f92684c22b.png]: https://img-blog.csdnimg.cn/4503737d2a1c4db0904df9f92684c22b.png
[dd157dea185840a8883233ecfd2b752e.png]: https://img-blog.csdnimg.cn/dd157dea185840a8883233ecfd2b752e.png
[72847c1824014e64955b593b51c95f0b.png]: https://img-blog.csdnimg.cn/72847c1824014e64955b593b51c95f0b.png
[5e0b8153f1a04f699c1090cc64d694f3.png]: https://img-blog.csdnimg.cn/5e0b8153f1a04f699c1090cc64d694f3.png
[fe8a7881cb1b4eaa8b6ffa3218f6b05e.png]: https://img-blog.csdnimg.cn/fe8a7881cb1b4eaa8b6ffa3218f6b05e.png
[a1e98e313701402eb527d6749872af2e.png]: https://img-blog.csdnimg.cn/a1e98e313701402eb527d6749872af2e.png
[915ea8a14928499caf076a0899903128.png]: https://img-blog.csdnimg.cn/915ea8a14928499caf076a0899903128.png