PASCAL VOC資料集分析

PASCAL VOC資料集分析 PASCAL VOC為Image Recognition和分類提供了一整套標準化的優秀的資料集，從2005年到2012年每年都會舉行一場Image Recognitionchallenge。 本文主要分析PASCAL VOC資料集中和映像中物體識別相關的內容。
在這裡採用PASCAL VOC2012作為例子。下載地址為：點擊開啟連結。（本文中的系統內容為ubuntu14.04） 下載完之後解壓，可以在VOCdevkit目錄下的VOC2012中看到如下的檔案：
其中在映像物體識別上著重需要瞭解的是Annotations、ImageSets和JPEGImages。
①JPEGImages JPEGImages檔案夾中包含了PASCAL VOC所提供的所有的圖片資訊，包括了訓練圖片和測試圖片。 這些映像都是以“年份_編號.jpg”格式命名的。 圖片的像素尺寸大小不一，但是橫向圖的尺寸大約在500*375左右，縱向圖的尺寸大約在375*500左右，基本不會偏差超過100。（在之後的訓練中，第一步就是將這些圖片都resize到300*300或是500*500，所有原始圖片不能離這個標準過遠。） 這些映像就是用來進行訓練和測實驗證的映像資料。
②Annotations
Annotations檔案夾中存放的是xml格式的標籤檔案，每一個xml檔案都對應於JPEGImages檔案夾中的一張圖片。 xml檔案的具體格式如下：（對於2007_000392.jpg）

<annotation><folder>VOC2012</folder>                           <filename>2007_000392.jpg</filename>                               //檔案名稱<source>                                                           //映像來源（不重要）<database>The VOC2007 Database</database><annotation>PASCAL VOC2007</annotation><image>flickr</image></source><size>                           //映像尺寸（長寬以及通道數）<width>500</width><height>332</height><depth>3</depth></size><segmented>1</segmented>                           //是否用於分割（在映像物體識別中01無所謂）<object>                                                           //檢測到的物體<name>horse</name>                                         //物體類別<pose>Right</pose>                                         //拍攝角度<truncated>0</truncated>                                   //是否被截斷（0表示完整）<difficult>0</difficult>                                   //目標是否難以識別（0表示容易識別）<bndbox>                                                   //bounding-box（包含左下角和右上方xy座標）<xmin>100</xmin><ymin>96</ymin><xmax>355</xmax><ymax>324</ymax></bndbox></object><object>                                                           //檢測到多個物體<name>person</name><pose>Unspecified</pose><truncated>0</truncated><difficult>0</difficult><bndbox><xmin>198</xmin><ymin>58</ymin><xmax>286</xmax><ymax>197</ymax></bndbox></object></annotation>

對應的圖片為： ③ImageSets
ImageSets存放的是每一種類型的challenge對應的映像資料。 在ImageSets下有四個檔案夾： 其中Action下存放的是人的動作（例如running、jumping等等，這也是VOC challenge的一部分） Layout下存放的是具有人體部位的資料（人的head、hand、feet等等，這也是VOC challenge的一部分） Main下存放的是映像物體識別的資料，總共分為20類。 Segmentation下存放的是可用於分割的資料。
在這裡主要考察Main檔案夾。 Main檔案夾下包含了20個分類的***_train.txt、***_val.txt和***_trainval.txt。 這些txt中的內容都差不多如下： 前面的表示映像的name，後面的1代表正樣本，-1代表負樣本。 _train中存放的是訓練使用的資料，每一個class的train資料都有5717個。 _val中存放的是驗證結果使用的資料，每一個class的val資料都有5823個。 _trainval將上面兩個進行了合并，每一個class有11540個。 需要保證的是train和val兩者沒有交集，也就是訓練資料和驗證資料不能有重複，在選取訓練資料的時候 ，也應該是隨機產生的。 ④SegmentationClass和SegmentationObject

這兩個檔案夾下儲存了物體分割後的圖片，在物體識別中沒有用到，在這裡不做詳細展開。
接下來需要研究的是如何自己產生訓練資料和測試資料，將在下一篇中闡述。