人群检测TinyPerson数据集

简介：
在TinyPerson数据集中总共包含$1610$个标记图像以及$759$个未标记图像（两者均源自同一视频集），总计72651条图像注释信息。针对微小人物检测任务，测试集的评估规则如下：我们将“海”和“地”这两个类别合并处理，并将其视为人群检测中的目标。仅将标记为“正常”的框视为阳性结果。在评估过程中，“密集图像”（即包含“密集”框的内容）将被排除在外。对于注释信息，“忽略”与行人检测中的一致，其作用是既不计入真阳性也不算作假阳性。“不确定”类标注与“忽略”类处理方式相同，在测试结果中这两种情况均不予区分。”在测试集的正样本集中共有13787条正面标注信息，并对其中的1989条及2834条标为“忽略”或“不确定”。此外，为了保证训练的有效性，“正常”框将被视为真实目标进行处理。同时，在实际操作中，我们会对所有被标记为“忽略”或“不确定”的区域采用图像平均值进行遮挡处理，并且不会使用“密集图像”参与模型训练。鉴于原始数据体积超出预设上限（约1GB），本数据集可通过“百度网盘”中的长期公开资源获取。文件格式为 enduring public resource format，上传截止时间为待补充信息。本项目的数据集聚焦于小体型人群在复杂场景中的自动识别任务。该数据集旨在为相关领域的研究人员提供一个具有挑战性的平台，以评估算法的性能表现。具体而言，该集合包含1610张高质量标注图像和759张非标注样本，总共有72,651个高质量的标注样本。TinyPerson数据集中的小目标检测任务采用了特定的标注规范。具体来说： - 将“海”与“地”归入背景类别，仅以“人”作为单一的目标类别。 - 阳性框定义中，只有“正常”类型被视为阳性。 - 为确保评估结果的准确性，在计算TP（真阳性）与FP（假阳性）时，这些辅助框既不计入阳性也不计入阴性。 - 在不确定框的处理上，其作用类似于忽略框：在评估过程中既不计入阳性也不计入阴性。 - 关于密集图像的处理，则需特别注意：评估阶段中若图片带有“密集”框则会被排除在外，并且这类图像也不会参与训练过程。在测试集评估过程中，数据集明确指出了以下关键信息： 首先，**阳性注释**共计包含13787个示例。 其次，在处理**忽略注释**时，共有4823个样本（其中“不确定”框与“忽略”框的处理方式一致）。 最后，对于基准测试中的训练过程，将正常框视为阳性框，并计算并替换掉这些区域的像素均值；同时包含在密集框中的图像不参与这一训练过程。本数据集主要应用场景包括但不限于是以下几点：智能化监控系统可在人流密集区域（如车站、商场）实施实时监控，及时识别异常行为；自动驾驶技术可利用复杂城市环境中的行人识别技术来保障车辆行驶的安全性；无人机监测系统则可应用于空域巡逻及 search and rescue operations, especially in challenging visibility conditions. 面对这些应用场景，TinyPerson数据集针对这些应用场景提出了多个技术难题： - 小目标检测方面，由于人体目标通常体积较小，传统的基于边界框的目标检测方法难以有效捕捉人体目标的细节特征； - 在密集人群场景中，单一个体的身份识别具有显著难度； - 实际场景中经常存在的物体遮挡现象会干扰检测过程的准确性； - 不同光照条件下的明暗变化和天气状况差异会对模型的泛化能力提出更高的要求。作为一项重要基准，TinyPerson数据集不仅在小目标人群检测领域具有显著价值，而且促进了相关领域的研究发展。通过对其深入研究与广泛应用，在现实场景中如安全监控、自动驾驶等方面可望实现更有效的解决方案。未来研究的方向可能涵盖提升检测精确度、优化计算效率及强化算法抗干扰能力等多个方面。