资源 | 谷歌开源BoundingBoxes，迄今为止最大的带注释图像数据集

正文

请到「今天看啥」查看全文

昨日，谷歌宣布开放了一个基于 Youtube 视频的图像数据集 Youtube -BoundingBoxes Dataset ，为所有研究者进行模型训练和研究提供了新资源。谷歌宣称这个数据集的检测数量（detection count）为ImageNet的五倍。

目前深度学习面临的最大挑战之一是让计算机能够理解一个具体场景。举个例子，虽然人类知道在一堵墙后消失并很快再次出现的小球很可能是同一个物体，但这对算法来说一点也不显而易见。理解这样的场景不仅需要一组对视频里每一帧所包含的物体的全局图片，而且还需要对这些物体在每一帧内的位置以及位置进行记录。YouTube-8M 是我们在去年刚刚发布的数据集，这个数据集是由自动标记的 YouTube 视频组成。尽管这个数据集的推出促进了这个领域进一步的研究进展，但它只是解决这个难题的一块拼图。

今天，为了促进视频理解研究领域的研究进展，我们推出了 YouTube-BoundingBoxes 数据集，这个数据集包含有在 23 个物体类别上的 1050 万人工标注的帧，其中包含 500 万边界框（bounding boxes），它们密集标记了 38 万条 15-20 秒钟长度的 YouTube 视频片段（从 24 万个视频中截取），其图像质量类似于手机摄像。这个数据集的标注和边界框精度超过了 95%。迄今为止，它是对时间连续帧内的物体进行跟踪，包含边界框的最大人工注释视频数据集。这个数据集的体量足以用于训练大规模模型，并且可为真实场景的视频捕捉进行训练。最重要的是，数据集中人工标记的注释包含了物体在真实世界中被遮挡、产生运动模糊和自然光照变化等情形。

请到「今天看啥」查看全文