TJU-DHD：用于目标检测的多场景高分辨率数据集
计算机视觉与模式识别
2020-11-19 v1
摘要
车辆、行人和骑行者是自动驾驶车辆和视频监控感知模块最重要且最感兴趣的目标。然而，检测此类重要目标（尤其是小目标）的当前最优性能远未满足实际系统的需求。大规模、丰富多样性和高分辨率的数据集在开发更好的目标检测方法以满足需求方面发挥着重要作用。现有的公开大规模数据集（如从网站收集的 MS COCO）并未聚焦于特定场景。此外，从特定场景收集的热门数据集（例如 KITTI 和 Citypersons）在图像和实例数量、分辨率及多样性上均有限。为尝试解决该问题，我们构建了一个多样的高分辨率数据集（称为 TJU-DHD）。该数据集包含 115,354 张高分辨率图像（52% 图像分辨率为 16241200 像素，48% 图像分辨率至少为 2,5601,440 像素）以及共计 709,330 个标注目标，其尺度和外观差异很大。同时，该数据集在季节、光照和天气变化上具有丰富多样性。此外，进一步构建了一个新的多样行人数据集。使用四种不同检测器（即单阶段 RetinaNet、无锚框 FCOS、两阶段 FPN 和 Cascade R-CNN）进行了目标检测和行人检测实验。我们希望新建的数据集有助于推动这两个场景中目标检测和行人检测的研究。数据集可从 https://github.com/tjubiit/TJU-DHD 获取。
引用
@article{arxiv.2011.09170,
title = {TJU-DHD: A Diverse High-Resolution Dataset for Object Detection},
author = {Yanwei Pang and Jiale Cao and Yazhao Li and Jin Xie and Hanqing Sun and Jinfeng Gong},
journal= {arXiv preprint arXiv:2011.09170},
year = {2020}
}
备注
object detection and pedestrian detection. website: https://github.com/tjubiit/TJU-DHD