360-Indoor：面向 360° 室内等距柱状图像中真实世界物体的学习
计算机视觉与模式识别
2019-10-07 v1
摘要
尽管已有若干广泛使用的目标检测数据集，当前的计算机视觉算法仍受限于常规图像。此类图像将我们的视野限制在受限区域内。另一方面，360° 图像提供了全景视野。在本文中，我们的目标是提供一个标准数据集，以促进视觉与机器学习界在 360° 领域的研究。为便利研究，我们提出一个真实世界的 360° 全景目标检测数据集 360-Indoor，它是 360° 室内图像中视觉目标检测与类别识别的新基准。该数据集通过收集包含常见物体及密集标注边界视场的复杂室内场景图像而构建。此外，360-Indoor 具有若干独特属性：（1）最大的类别数（共 37 个标签）。（2）平均最完整的标注（每图 27 个边界框）。所选的 37 个物体均为室内场景中的常见物体。凭借约 3k 图像与总计 90k 标签，360-Indoor 成为 360° 图像检测中最大的数据集。最后，我们提供了在分类与检测最先进方法上的大量实验。我们将在近期发布该数据集。
引用
@article{arxiv.1910.01712,
title = {360-Indoor: Towards Learning Real-World Objects in 360{\deg} Indoor Equirectangular Images},
author = {Shih-Han Chou and Cheng Sun and Wen-Yen Chang and Wan-Ting Hsu and Min Sun and Jianlong Fu},
journal= {arXiv preprint arXiv:1910.01712},
year = {2019}
}