目标识别

详细描述

ImageNet

实现数据集加载：“ImageNet”：http://www.image-net.org/

使用方法

1. 从以上链接下载数据集文件：ILSVRC2010_images_train.tar\ILSVRC2010_images_test.tar\ILSVRC2010_images_val.tar 和开发工具包：ILSVRC2010_devkit-1.0.tar.gz（仅实现2010数据集的加载，因为只有该数据集具有测试数据的真实值，但ILSVRC2014的结构类似）
2. 将它们解压到：some_folder/train/、some_folder/test/、some_folder/val 和 some_folder/ILSVRC2010_validation_ground_truth.txt、some_folder/ILSVRC2010_test_ground_truth.txt。
3. 创建一个包含标签的文件：some_folder/labels.txt，例如，使用下面的python脚本（每个文件的行格式：synset,labelID,description。例如："n07751451,18,plum"）。
4. 解压train目录下的所有tar文件。
5. 要加载数据，请运行

   ./opencv/build/bin/example_datasets_or_imagenet -p=/home/user/some_folder/

用于解析meta.mat的Python脚本

import scipy.io
meta_mat = scipy.io.loadmat("devkit-1.0/data/meta.mat")
 
labels_dic = dict((m[0][1][0], m[0][0][0][0]-1) for m in meta_mat['synsets']
label_names_dic = dict((m[0][1][0], m[0][2][0]) for m in meta_mat['synsets']
 
for label in labels_dic.keys()
    print "{0},{1},{2}".format(label, labels_dic[label], label_names_dic[label])

MNIST

实现数据集加载

"MNIST": http://yann.lecun.com/exdb/mnist/

使用方法

1. 从以上链接下载数据集文件：t10k-images-idx3-ubyte.gz、t10k-labels-idx1-ubyte.gz、train-images-idx3-ubyte.gz、train-labels-idx1-ubyte.gz。
2. 解压它们。
3. 要加载数据，请运行

   ./opencv/build/bin/example_datasets_or_mnist -p=/home/user/path_to_unpacked_files/

SUN数据库

实现数据集加载

"SUN数据库，场景识别基准。SUN397": http://vision.cs.princeton.edu/projects/2010/SUN/

使用方法

1. 从以上链接下载数据集文件：SUN397.tar 和包含分割的文件：Partitions.zip
2. 将SUN397.tar解压到文件夹：SUN397/，并将Partitions.zip解压到文件夹：SUN397/Partitions/
3. 要加载数据，请运行

   ./opencv/build/bin/example_datasets_or_sun -p=/home/user/path_to_unpacked_files/SUN397/

类
类	cv::datasets::OR_imagenet
结构体	cv::datasets::OR_imagenetObj
类	cv::datasets::OR_mnist
结构体	cv::datasets::OR_mnistObj
类	cv::datasets::OR_pascal
结构体	cv::datasets::OR_pascalObj
类	cv::datasets::OR_sun
结构体	cv::datasets::OR_sunObj
结构体	cv::datasets::PascalObj
结构体	cv::datasets::PascalPart