首页 > 其他分享 >不良条件视觉感知专栏(二)数据集和比赛总结

不良条件视觉感知专栏(二)数据集和比赛总结

时间:2023-04-22 12:33:06浏览次数:37  
标签:www 专栏 https 图像 视觉 感知 数据 CV

前言 本文介绍了不良条件视觉感知专栏中的数据集和比赛总结。

本教程禁止转载。同时,本教程来自知识星球【CV技术指南】更多技术教程,可加入星球学习。

欢迎关注公众号CV技术指南,专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。

CV各大方向专栏与各个部署框架最全教程整理

【CV技术指南】CV全栈指导班、基础入门班、论文指导班 全面上线!!

不良条件视觉比赛(Workshop)

Workshop NameLinkFrom
NightOwls Detection Challenge https://www.nightowls-dataset.org/nightowls-competition-2020/ CVPR Workshop2020
ACDC CHALLENGE https://vision4allseason.net 每年都有,2022 Vision for All Seasons: Adverse Weather and Lighting Conditions
NightOwls Detection Challenge 2020 https://www.nightowls-dataset.org/nightowls-competition-2020/ CVPR2020

常用的数据集

下表是现在十分热门的数据集及基准。

Dataset NameLinkFromPaper NameReview
ACDC https://acdc.vision.ee.ethz.ch/https://paperswithcode.com/dataset/acdc-adverse-conditions-dataset-with ICCV2021 ACDC: The adverse conditions dataset with correspondences for semantic driving scene understanding ACDC数据集包含了4006张图像,场景均匀地分布在四种常见的不利天气条件下:雾天,夜间,雨天和雪天。每张不利条件的图像有高质量的像素级标注以及对应的在正常条件下几乎相同场景采集的图像,以及一个二值mask来区分图内清晰和不确定的语义内容。
SHIFT https://www.vis.xyz/shift/https://www.bilibili.com/video/BV1e3411w7DU CVPR2022 SHIFT: A Synthetic Driving Dataset for Continuous Multi-Task Domain Adaptation SHIFT是一个大型的自动驾驶合成数据集,包含了雾天、雨天、一天的时间、车辆人群的密集和离散,且具有全面的传感器套件和注释。SHIFT计算从8个不同位置的多视图传感器套件中捕获的4800+个序列,支持13个多任务驱动系统的感知任务:语义/实例分割、单眼/立体深度回归、2D/3D目标检测、2D/3D多目标跟踪(MOT)、光流估计、点云配准、视觉测程法、轨迹预测和人体姿态估计。
Seeing Through Fog https://www.cs.princeton.edu/~fheide/AdverseWeatherFusion/https://www.uni-ulm.de/en/in/driveu/projects/dense-datasets/ CVPR2020 Seeing through fog without seeing fog: Deep multimodal sensor fusion in unseen adverse weather 新型多传感器的恶劣天气数据集,在不同的天气和照明条件下有12,000个样本,并在雾天获得1500次测量。此外该数据集包含准确的标注,用于标注带有描述天气、白天和街道状况的2D和3D边界框和框架标签的类别。
NightCity https://dmcv.sjtu.edu.cn/people/phd/tanxin/NightCity/index.html TIP2021 Night-time Semantic Segmentation with a Large Real Dataset 为了解决夜间数据的稀缺性,采集了一个名为NightCity的新型数据集,其中包含4297张带有地面真相像素级语义标签的真实夜间图像。(他们的数据集工作与NightLab相关(CVPR2022))
Dark Zurich https://www.trace.ethz.ch/publications/2019/GCMA_UIoU/ ICCV 2019 Guided Curriculum Model Adaptation and Uncertainty-Aware Evaluation for Semantic Nighttime Image Segmentation Dark Zurich是一个图像数据集,包含总共在夜间、黄昏和白天捕获的8779张图像,以及每张图像的相机各自的GPS坐标。这些GPS注释用于构建跨时间通信,即将每个夜间或黄昏图像与白天的图像相匹配。
Nighttime Driving http://people.ee.ethz.ch/~daid/NightDriving/# IEEE International Conference on Intelligent Transportation Systems, 2018 Dark Model Adaptation: Semantic Image Segmentation from Daytime to Nighttime Nighttime Driving是一个道路场景的数据集,由35,000张图片组成,从白天到黄昏再到晚上。
Freiburg Thermal http://thermal.cs.uni-freiburg.de IROS2020 HeatNet: Bridging the Day-Night Domain Gap in Semantic Segmentation with Thermal Images 我们的数据集是在5个白天和3个夜间数据收集运行期间收集的,涵盖夏季到冬季的季节。总体而言,该数据集包含12051张白天和8596张夜间时间同步图像,使用安装在我们数据收集车车顶上的立体声RGB相机(FLIR Blackfly 23S3C)和立体声热成像仪(FLIR ADK)。除了图像外,我们还记录了GPS/IMU数据和激光雷达点云。数据集包含高度多样化的驾驶场景,包括高速公路、人口稠密的城市地区、住宅区和农村地区。我们还提供了一个测试集,包括32张白天和32张夜间注释图像。每张图像都有13个不同对象类别的像素语义标签。
         

不常见的数据集

下表是不常见的数据集

Dataset NameLinkFromPaper NameReview
ExDark黑暗下的目标检测 https://aistudio.baidu.com/aistudio/datasetdetail/129450 Computer Vision and Image Understanding(CVIU) Getting to know low-light images with the Exclusively Dark dataset 这是一个专门在低光照环境下拍摄出针对低光目标检测打数据集。主要作者是Loh, Yuen Peng and Chand, Chee Seng。原描述论文在计算机视觉与图像理解。ExDark数据集收集了一共7363张低光照的图片,从超级弱光环境到普通弱光环境(10种不同的光照条件),一共12个类别(类似于PASCACL VOC)。
NightOwls https://link.springer.com/chapter/10.1007/978-3-030-20887-5_43 Asian Conference on Computer Vision(ACCV) NightOwls: A Pedestrians at Night Dataset NightOwls由279k帧组成,由行业标准相机在3个国家的夜间录制的40个序列,包括不同的季节和天气条件。所有帧都经过全面注释,并包含其他对象属性,如遮挡、姿势和难度,以及跟踪信息,以识别跨多个帧的同一对象。包括大量用于评估探测器鲁棒性的背景框架,提供了本地超参数调优的验证集,以及在提交服务器上进行评估的测试集。
PST900   ICRA2020 PST900: RGB-Thermal Calibration, Dataset and Segmentation Network PST900,这是一个由894个同步和校准的RGB和热图像对组成的数据集。
Learning to See in the Dark https://openaccess.thecvf.com/content_cvpr_2018/papers/Chen_Learning_to_See_CVPR_2018_paper.pdf CVPR2018 Learning to See in the Dark 为了支持基于学习的低光图像处理pipline的开发,引入了原始短曝光低光图像的数据集,以及相应的长曝光参考图像。使用呈现的数据集,我们根据全卷积网络的端到端训练,开发处理低光图像的管道。

 

欢迎关注公众号CV技术指南,专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。

计算机视觉入门1v3辅导班

【技术文档】《从零搭建pytorch模型教程》122页PDF下载

QQ交流群:470899183。群内有大佬负责解答大家的日常学习、科研、代码问题。

其它文章

CUDA 教程(三)CUDA C 编程简介

目标跟踪(二)单、多目标跟踪的基本概念与常用数据集

【CV技术指南】咱们自己的CV全栈指导班、基础入门班、论文指导班 全面上线!!

即插即用模块 | RFAConv助力YOLOv8再涨2个点

CVPR 2023|21 篇数据集工作汇总(附打包下载链接)

CVPR 2023|两行代码高效缓解视觉Transformer过拟合,美图&国科大联合提出正则化方法DropKey

LargeKernel3D:在3D稀疏CNN中使用大卷积核

ViT-Adapter:用于密集预测任务的视觉 Transformer Adapter

CodeGeeX 130亿参数大模型的调优笔记:比FasterTransformer更快的解决方案

分割一切还不够,还要检测一切、生成一切,SAM二创开始了

CVPR 2023 深挖无标签数据价值!SOLIDER:用于以人为中心的视觉

SegGPT:在上下文中分割一切

上线一天,4k star | Facebook:Segment Anything

Efficient-HRNet | EfficientNet思想+HRNet技术会不会更强更快呢?

实践教程|GPU 利用率低常见原因分析及优化

ICLR 2023 | SoftMatch: 实现半监督学习中伪标签的质量和数量的trade-off

目标检测创新:一种基于区域的半监督方法,部分标签即可(附原论文下载)

CNN的反击!InceptionNeXt: 当 Inception 遇上 ConvNeXt

神经网络的可解释性分析:14种归因算法

无痛涨点:目标检测优化的实用Trick

详解PyTorch编译并调用自定义CUDA算子的三种方式

深度学习训练模型时,GPU显存不够怎么办?

deepInsight:一种将非图像数据转换图像的方法

ICLR2023|基于数据增广和知识蒸馏的单一样本训练算法

拯救脂肪肝第一步!自主诊断脂肪肝:3D医疗影像分割方案MedicalSeg

AI最全资料汇总 | 基础入门、技术前沿、工业应用、部署框架、实战教程学习

改变几行代码,PyTorch炼丹速度狂飙、模型优化时间大减

AAAI 2023 | 轻量级语义分割新范式: Head-Free 的线性 Transformer 结构

计算机视觉入门1v3辅导班

计算机视觉交流群

聊聊计算机视觉入门

标签:www,专栏,https,图像,视觉,感知,数据,CV
From: https://www.cnblogs.com/wxkang/p/17342771.html

相关文章

  • 使用 OpenCV4 和 C++ 构建计算机视觉项目:1~5
    原文:BuildingComputerVisionProjectswithOpenCV4andC++协议:CCBY-NC-SA4.0译者:飞龙本文来自【ApacheCN计算机视觉译文集】,采用译后编辑(MTPE)流程来尽可能提升效率。当别人说你没有底线的时候,你最好真的没有;当别人说你做过某些事的时候,你也最好真的做过。一、Open......
  • OpenCV2 计算机视觉应用编程秘籍:1~5
    原文:OpenCV2ComputerVisionApplicationProgrammingCookbook协议:CCBY-NC-SA4.0译者:飞龙本文来自【ApacheCN计算机视觉译文集】,采用译后编辑(MTPE)流程来尽可能提升效率。当别人说你没有底线的时候,你最好真的没有;当别人说你做过某些事的时候,你也最好真的做过。一、玩......
  • OpenCV2 计算机视觉应用编程秘籍:6~10
    原文:OpenCV2ComputerVisionApplicationProgrammingCookbook协议:CCBY-NC-SA4.0译者:飞龙本文来自【ApacheCN计算机视觉译文集】,采用译后编辑(MTPE)流程来尽可能提升效率。当别人说你没有底线的时候,你最好真的没有;当别人说你做过某些事的时候,你也最好真的做过。六、过......
  • Python OpenCV 计算机视觉:1~5
    原文:OpenCVComputerVisionwithPython协议:CCBY-NC-SA4.0译者:飞龙本文来自【ApacheCN计算机视觉译文集】,采用译后编辑(MTPE)流程来尽可能提升效率。当别人说你没有底线的时候,你最好真的没有;当别人说你做过某些事的时候,你也最好真的做过。一、设置OpenCV本章是设置Py......
  • Python OpenCV 计算机视觉:6~7
    原文:OpenCVComputerVisionwithPython协议:CCBY-NC-SA4.0译者:飞龙本文来自【ApacheCN计算机视觉译文集】,采用译后编辑(MTPE)流程来尽可能提升效率。当别人说你没有底线的时候,你最好真的没有;当别人说你做过某些事的时候,你也最好真的做过。附录A:与Pygame集成本附录显......
  • 树莓派计算机视觉编程:1~5
    原文:RaspberryPiComputerVisionProgramming协议:CCBY-NC-SA4.0译者:飞龙本文来自【ApacheCN计算机视觉译文集】,采用译后编辑(MTPE)流程来尽可能提升效率。当别人说你没有底线的时候,你最好真的没有;当别人说你做过某些事的时候,你也最好真的做过。一、计算机视觉和Raspbe......
  • 树莓派计算机视觉编程:6~10
    原文:RaspberryPiComputerVisionProgramming协议:CCBY-NC-SA4.0译者:飞龙本文来自【ApacheCN计算机视觉译文集】,采用译后编辑(MTPE)流程来尽可能提升效率。当别人说你没有底线的时候,你最好真的没有;当别人说你做过某些事的时候,你也最好真的做过。六、色彩空间,变换和阈值......
  • 树莓派计算机视觉编程:11~13
    原文:RaspberryPiComputerVisionProgramming协议:CCBY-NC-SA4.0译者:飞龙本文来自【ApacheCN计算机视觉译文集】,采用译后编辑(MTPE)流程来尽可能提升效率。当别人说你没有底线的时候,你最好真的没有;当别人说你做过某些事的时候,你也最好真的做过。十一、计算机视觉的实际......
  • Autodesk Flame 2024 for mac(高级 3D 视觉效果) v2024激活版
    AutodeskFlame2024中文版提供用于快速、交互式3D视觉效果、精加工、合成、高级图形、颜色分级、整合、编辑和外观开发的工具。3D合成(动作)结合了传统2D合成的交互速度和强大的3D视觉效果。包括会话中艺术家的WYSIWYG预览。Flame2024中文版功能特色基于节点的合成(批处理......
  • 感知机(Perceptron)
    受大脑启发的人工智能程序的一个早期例子是感知机(Perceptron),它由心理学家弗兰克·罗森布拉特于20世纪50年代末提出。感知机是一种基于神经网络的二分类模型,它可以用于对输入数据进行分类任务。感知机的结构简单,易于实现和训练,是神经网络的基础。大脑神经系统大脑神经系统无论从......