[人工智能]数据集积累学习---CoCo数据集（and others）

1. 关于CoCo数据集：
   1. 是大规模的数据集。
   2. 是目标检测领域一个比较有名的数据集
   3. 包含了自然图片，生活中常见的目标图片，背景比较复杂，目标数量比较多，目标尺寸更小，所以在该数据集上的任务更难。
   4. 对于检测任务，衡量一个模型的好坏更倾向于使用CoCo数据集上的检测结果。
   5. COCO有5种类型的标注，分别是：物体检测、关键点检测、实例分割、全景分割、图片标注，都是对应一个json文件。
2. 根据任务记录相关数据集：
   1. 图像分类任务：
      1. 分类需要二进制的标签来确定目标是否在图像中。
      2. 著名的数据集有CIFAR-10 和CIFAR-100（在32X32图像上分别提供10和100类），imagenet（22000类，每类500-1000图像）
   2. 目标检测：
      1. 通过bounding box确定目标位置。
      2. 数据集：
         1. caltech pedestrian detaset（包含350000个bounding box标签），PASCAL VOC数据（包括20个目标，over11000图像，over27000个目标bounding box）
         2. imagenet数据下获取的detection数据集（200类，400000张图像，350000个bounding box）。
         3. 由于一些目标之间有着强烈的关系而非独立存在，在特定场景下检测某种目标是是否有意义的，因此精确的位置信息比bounding box更加重要。
   3. 语义场景标注：需要像素级的标签。数据集主要包括室内场景和室外场景的，一些数据集包括深度信息。SUN dataset（包含908个场景类，3819个常规目标类(person, chair, car)和语义场景类(wall, sky, floor)，每类的数目具有较大的差别）
   4. 其他数据集：Middlebury datasets，包含立体相对，多视角立体像对和光流；Berkeley Segmentation Data Set (BSDS500)可评价分割和边缘检测算法

参考：目标检测数据集MSCOCO详解 - 知乎 (zhihu.com)