【深度學習】語義分割 PASCAL Context 資料集

資料集介紹

PASCAL Context資料集[1]由兩部分組成：

1. PASCAL VOC 2010 語義分割資料集；
2. Context 标注。

PASCAL Context 總共有459個标注類别，包含 10103 張圖像，其中 4998 用于訓練集，5105 用于驗證集。現在最廣泛地用法是使用其中出現頻率最高的 59 個類别最為語義标簽，其餘類别标記為背景即background。采用這一做法的論文有[1][2][3][4]等。

資料集制作

資料準備：

• 點選VOCtrainval_03-May-2010.tar下載下傳VOC 2010的訓練/驗證集
• 點選VOC2010test.tar下載下傳 VOC 2010 的測試資料集
• 下載下傳trainval_merged.json

常用的59個類别索引如下：

[ 0, 2, 259, 260, 415, 324, 9, 258, 144, 18, 19, 22, 
23, 397, 25, 284, 158, 159, 416, 33, 162, 420, 454, 295, 296, 
427, 44, 45, 46, 308, 59, 440, 445, 31, 232, 65, 354, 424, 
68, 326, 72, 458, 34, 207, 80, 355, 85, 347, 220, 349, 360, 
98, 187, 104, 105, 366, 189, 368, 113, 115]
           

可參考MXNetSeg對資料集進行預處理和加載。

參考文獻

[1] R. Mottaghi, X. Chen, X. Liu, N.-G. Cho, S.-W. Lee, S. Fi- dler, R. Urtasun, and A. Yuille. The role of context for object detection and semantic segmentation in the wild. In CVPR 2014.

[2] L. Chen, et al. DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs. TPAMI, 2018.

[3] G. Lin, A. Milan, C. Shen, and I. D. Reid. Refinenet: Multi- path refinement networks for high-resolution semantic seg- mentation. In CVPR, 2017.

[4] H. Zhang, K. Dana, J. Shi, Z. Zhang, X. Wang, A. Tyagi, and A. Agrawal. Context encoding for semantic segmentation. In CVPR, 2018.