PartImageNet：一个大规模高质量部件数据集
计算机视觉与模式识别
2022-12-20 v3
摘要
用物体的部件来表示物体是自然的。这有潜力提升物体识别与分割算法的性能，也有助于活动识别等下游任务。然而，基于部件的模型研究受限于缺乏具有逐像素部件标注的数据集。这部分是由于标注物体部件的难度与高成本，因此除人体外（存在大量基于部件的模型文献）很少进行此类标注。为帮助解决该问题，我们提出 PartImageNet，一个具有部件分割标注的大规模高质量数据集。它包含来自 ImageNet 的 158 个类别及约 24,000 张图像。PartImageNet 的独特性在于其在一组通用类别（包括非刚体、关节物体）上提供部件级标注，同时相比现有部件数据集（不含人体数据集）规模大一个数量级。它可用于许多视觉任务，包括物体分割、语义部件分割、少样本学习和部件发现。我们进行了研究这些任务的全面实验并建立了一组基线。数据集与脚本发布于 https://github.com/TACJu/PartImageNet。
引用
@article{arxiv.2112.00933,
title = {PartImageNet: A Large, High-Quality Dataset of Parts},
author = {Ju He and Shuo Yang and Shaokang Yang and Adam Kortylewski and Xiaoding Yuan and Jie-Neng Chen and Shuai Liu and Cheng Yang and Qihang Yu and Alan Yuille},
journal= {arXiv preprint arXiv:2112.00933},
year = {2022}
}