语义分割数据集大全：GF-2、DADA-seg等6大资源

本文主要汇总了几个语义分割方向的开源数据集，涵盖了卫星图像、交通事故、夜间图像、背景分析、人体解析以及自动驾驶等多个领域的数据。 1. 高分二号 (GF-2) 卫星图像大型土地覆盖数据集（GID） GID是一个专门针对高分二号卫星图像的大型土地覆盖数据集，因其覆盖范围广泛、空间分辨率高而具有显著优势。数据集分为两个部分：大规模分类集包含150张带有像素级注释的GF-2图像，而精细土地覆盖分类集则由30,000个多尺度图像块及10张像素级注释图像构成。数据集经过重新标记，涉及15个类别，可用于训练和验证，支持5个基础类别的学习。 2. DADA-seg事故数据集 DADA-seg是一个专门针对交通事故场景的像素级标注数据集，包含多种关键事故类型，为交通事故分析和处理提供了丰富的训练样本。 3. DarkZurich夜间图像数据集 DarkZurich数据集包含8779张在夜间、黄昏和白天拍摄的图像，每张都有对应的GPS坐标。这个数据集主要用于研究跨时间的一天中不同光照条件下的图像对应关系。 4. 斯坦福背景数据集 斯坦福背景数据集由Gould等人创建，用于评估几何和语义场景理解方法。该数据集由715张来自公共数据集如LabelMe、MSRC、PASCALVOC和GeometricContext的图像组成，特别挑选出户外场景，适用于场景理解任务。 5. CIHP人体解析数据集 CrowdInstance-level Human Parsing (CIHP)数据集专注于多人图像的精细人体部分分割，包含了38,280张带有高外观变异性和复杂性的图像，是人体解析任务的理想资源。 6. WoodScape自动驾驶鱼眼数据集 WoodScape是一个针对自动驾驶的多任务数据集，包含来自四个环视摄像头的图像，涵盖了语义分割、深度估计、3D边界框检测和新型污染检测等多种任务，提供了超过10,000张实例级别的40类语义标注图像。 这些数据集对于推动语义分割技术的发展，尤其是在遥感图像处理、交通安全、自动驾驶、计算机视觉和场景理解等领域具有重要意义。研究人员可以利用这些资源进行模型训练和验证，以提高算法的性能和应用范围。