前言:
此刻看官们对“wordnet读取文本框”都比较讲究,朋友们都想要剖析一些“wordnet读取文本框”的相关知识。那么小编同时在网上搜集了一些关于“wordnet读取文本框””的相关资讯,希望看官们能喜欢,大家一起来学习一下吧!动栗 发自 凹非寺
量子位 出品 | 公众号 QbitAI
中科院发布了一个目标追踪数据集,叫做Got-10k。很大,很精致。
它包含了超过10,000条视频,主角都是在现实世界里移动的物体,分成560多个类别。
物体的边界框全部是手动标记,总计超过150万个。
除此之外,数据集还是个Benchmark,可以用来衡量模型的性能,也已经有排行榜了。
官方还提供Python工具包,以便小伙伴们用这个Benchmark来测试自己的AI。
那么,来仔细观察一下数据集,吧。
事无巨细
除了规模大,Got-10k还有许多重要的特质。
通用类别 (Generic Classes)
数据集是以WordNet英文词汇数据库作为骨架,搭建起来的。分成5个大类:
动物 (Animal) 、人造物体 (Artifact) 、人物 (Person) 、自然物体 (Natural Object) ,以及Part。
大类之下再细分,一共563个类别。
上面讲的是目标类别,只是数据的其中一个标签。
另一个标签是动作类别,一共分为87种。一部分按照WordNet来划分,还有一部分是数据收集者定义的。
单样本学习 (One-Shot Learning)
为了训练出的模型能有更强的泛化能力,训练集和测试集之间不存在交集。
模型可以用少量的数据去学习分类,这样也能避免测试结果偏向AI熟悉的那些样本类别。
统一训练数据 (Unified Training Data)
所有方法都用相同的训练数据。依靠这样的协议,来保障所有追踪器之间的公平对比。
额外标记 (Extra Labeling)
除了目标类别、动作类别和标记框之外,还有其他标签。
比如,目标可见比 (针对遮挡或者出画的情况) ,负责监督那些难度比较大的任务。
有效评估 (Efficient Evaluation)
测试集包含180段视频,分属于84个目标类别,32个动作类别,用来衡量模型的追踪能力。
万事俱备,只差你了
现在,完整的GOT-10k数据集已经可以下载了。
并且,评估服务器 (Evaluation Server) 准备好为各路模型打分了,排行榜也会实时更新。
温暖的官方为小伙伴们提供了Python工具包,用来运行实验,方便在Benchmark上评估性能。
另外,除了Python工具包,还有MABLAB工具包。
你还不来么?
数据集传送门:
Python工具包:
MATLAB工具包:
数据集论文:
— 完 —
诚挚招聘
量子位正在招募编辑/记者,工作地点在北京中关村。期待有才气、有热情的同学加入我们!相关细节,请在量子位公众号(QbitAI)对话界面,回复“招聘”两个字。
量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技术和产品新动态
标签: #wordnet读取文本框