مناظر شهری

با مجموعه‌ها، منظم بمانید ذخیره و دسته‌بندی محتوا براساس اولویت‌های شما.

  • توضیحات :

Cityscapes مجموعه داده‌ای است که از صحنه‌های خیابانی شهری در 50 شهر مختلف در زمان‌های مختلف سال و همچنین حقایق زمینی برای چندین کار بینایی از جمله تقسیم‌بندی معنایی، تقسیم‌بندی سطح نمونه (TODO) و استنباط نابرابری جفت استریو تشکیل شده است.

برای وظایف تقسیم‌بندی (تقسیم پیش‌فرض، قابل دسترسی از طریق "cityscapes/semantic_segmentation")، Cityscapes حاشیه‌نویسی سطح پیکسل متراکم را برای 5000 تصویر با وضوح 1024 * 2048 از پیش تقسیم به مجموعه‌های آموزشی (2975)، اعتبارسنجی (500) و تست (1525) ارائه می‌کند. یادداشت‌های برچسب برای وظایف بخش‌بندی در بیش از 30 کلاس که معمولاً در هنگام درک صحنه رانندگی با آن‌ها مواجه می‌شوند، را شامل می‌شود. اطلاعات دقیق برچسب را می‌توانید در اینجا پیدا کنید: https://github.com/mcordts/cityscapesScripts/blob/master/cityscapesscripts/helpers/labels.py#L52-L99

Cityscapes همچنین حاشیه‌نویسی‌های تقسیم‌بندی دانه درشت را (قابل دسترسی از طریق "cityscapes/semantic_segmentation_extra") برای تصاویر 19998 در یک تقسیم "train_extra" ارائه می‌کند که ممکن است برای مدل‌های پیش‌آموزشی / داده‌های سنگین مفید باشد.

علاوه بر تقسیم‌بندی، منظره‌های شهری جفت‌های تصویر استریو و حقایق زمینی را برای وظایف استنتاج نابرابری در دو بخش عادی و اضافی ارائه می‌کنند (به ترتیب از طریق "cityscapes/stereo_disparity" و "cityscapes/stereo_disparity_extra" قابل دسترسی هستند).

نمونه‌های نادیده گرفته شده:

  • برای «منظره‌های شهری/استریو_اختلاف_اضافی»:
    • troisdorf_000000 000073 {*} تصاویر (بدون نقشه نابرابری)
  • اسناد اضافی : کاوش در کاغذها با کد

  • صفحه اصلی : https://www.cityscapes-dataset.com

  • کد منبع : tfds.datasets.cityscapes.Builder

  • نسخه ها :

    • 1.0.0 (پیش فرض): بدون یادداشت انتشار.
  • اندازه دانلود : Unknown size

  • دستورالعمل‌های دانلود دستی : این مجموعه داده از شما می‌خواهد که داده‌های منبع را به صورت دستی در download_config.manual_dir (پیش‌فرض ~/tensorflow_datasets/downloads/manual/ ):
    شما باید فایل ها را از https://www.cityscapes-dataset.com/login/ دانلود کنید (این مجموعه داده نیاز به ثبت نام دارد). برای پیکربندی اولیه (semantic_segmentation) باید «leftImg8bit_trainvaltest.zip» و «gtFine_trainvaltest.zip» را دانلود کنید. تنظیمات دیگر به فایل های اضافی نیاز دارند - لطفاً برای جزئیات بیشتر به کد مراجعه کنید.

  • ذخیره خودکار ( اسناد ): خیر

  • کلیدهای نظارت شده (به as_supervised doc مراجعه کنید): None

  • شکل ( tfds.show_examples ): پشتیبانی نمی شود.

  • نقل قول :

@inproceedings{Cordts2016Cityscapes,
  title={The Cityscapes Dataset for Semantic Urban Scene Understanding},
  author={Cordts, Marius and Omran, Mohamed and Ramos, Sebastian and Rehfeld, Timo and Enzweiler, Markus and Benenson, Rodrigo and Franke, Uwe and Roth, Stefan and Schiele, Bernt},
  booktitle={Proc. of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2016}
}

cityscapes/semantic_segmentation (پیکربندی پیش فرض)

  • توضیحات پیکربندی : مجموعه داده های تقسیم بندی معنایی Cityscapes.

  • حجم مجموعه داده : 10.86 GiB

  • تقسیم ها :

شکاف مثال ها
'test' 1,525
'train' 2,975
'validation' 500
  • ساختار ویژگی :
FeaturesDict({
    'image_id': Text(shape=(), dtype=string),
    'image_left': Image(shape=(1024, 2048, 3), dtype=uint8),
    'segmentation_label': Image(shape=(1024, 2048, 1), dtype=uint8),
})
  • مستندات ویژگی :
ویژگی کلاس شکل نوع D شرح
FeaturesDict
image_id متن رشته
image_left تصویر (1024، 2048، 3) uint8
segmentation_label تصویر (1024، 2048، 1) uint8

مناظر شهری/بخش بندی_معنای_اضافی

  • شرح پیکربندی : مجموعه داده‌های تقسیم‌بندی معنایی منظره‌های شهری با برچسب‌های درشت و تقسیم‌بندی train_extra.

  • حجم مجموعه داده : 51.92 GiB

  • تقسیم ها :

شکاف مثال ها
'train' 2,975
'train_extra' 19998
'validation' 500
  • ساختار ویژگی :
FeaturesDict({
    'image_id': Text(shape=(), dtype=string),
    'image_left': Image(shape=(1024, 2048, 3), dtype=uint8),
    'segmentation_label': Image(shape=(1024, 2048, 1), dtype=uint8),
})
  • مستندات ویژگی :
ویژگی کلاس شکل نوع D شرح
FeaturesDict
image_id متن رشته
image_left تصویر (1024، 2048، 3) uint8
segmentation_label تصویر (1024، 2048، 1) uint8

مناظر شهری/نابرابری_استریو

  • توضیحات پیکربندی : مجموعه تصاویر استریو و نقشه های نابرابری Cityscapes.

  • حجم مجموعه داده : 25.03 GiB

  • تقسیم ها :

شکاف مثال ها
'test' 1,525
'train' 2,975
'validation' 500
  • ساختار ویژگی :
FeaturesDict({
    'disparity_map': Image(shape=(1024, 2048, 1), dtype=uint8),
    'image_id': Text(shape=(), dtype=string),
    'image_left': Image(shape=(1024, 2048, 3), dtype=uint8),
    'image_right': Image(shape=(1024, 2048, 3), dtype=uint8),
})
  • مستندات ویژگی :
ویژگی کلاس شکل نوع D شرح
FeaturesDict
اختلاف_نقشه تصویر (1024، 2048، 1) uint8
image_id متن رشته
image_left تصویر (1024، 2048، 3) uint8
image_right تصویر (1024، 2048، 3) uint8

مناظر شهری/استریو_اختلاف_اضافی

  • توضیحات پیکربندی : مجموعه داده‌های تصویر استریو و نقشه‌های نابرابری Cityscapes با تقسیم train_extra.

  • حجم مجموعه داده : 119.18 GiB

  • تقسیم ها :

شکاف مثال ها
'train' 2,975
'train_extra' 19,997
'validation' 500
  • ساختار ویژگی :
FeaturesDict({
    'disparity_map': Image(shape=(1024, 2048, 1), dtype=uint8),
    'image_id': Text(shape=(), dtype=string),
    'image_left': Image(shape=(1024, 2048, 3), dtype=uint8),
    'image_right': Image(shape=(1024, 2048, 3), dtype=uint8),
})
  • مستندات ویژگی :
ویژگی کلاس شکل نوع D شرح
FeaturesDict
اختلاف_نقشه تصویر (1024، 2048، 1) uint8
image_id متن رشته
image_left تصویر (1024، 2048، 3) uint8
image_right تصویر (1024، 2048، 3) uint8