【深度学习】语义分割 PASCAL Context 数据集

数据集介绍

PASCAL Context数据集[1]由两部分组成：

1. PASCAL VOC 2010 语义分割数据集；
2. Context 标注。

PASCAL Context 总共有459个标注类别，包含 10103 张图像，其中 4998 用于训练集，5105 用于验证集。现在最广泛地用法是使用其中出现频率最高的 59 个类别最为语义标签，其余类别标记为背景即background。采用这一做法的论文有[1][2][3][4]等。

数据集制作

数据准备：

• 点击VOCtrainval_03-May-2010.tar下载VOC 2010的训练/验证集
• 点击VOC2010test.tar下载 VOC 2010 的测试数据集
• 下载trainval_merged.json

常用的59个类别索引如下：

[ 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]
           

可参考MXNetSeg对数据集进行预处理和加载。

参考文献

[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.