V3Det: Vast Vocabulary Visual Detection Dataset

要約

タイトル：V3Det：巨大な語彙を持つ視覚検出データセット

要約：

– 現在の物体検出の進歩は、比較的制限された語彙を持つ物体検出データセットでトレーニングおよび評価されています。
– より一般的な視覚物体検出の開発を促進するために、私たちはV3Detを提案します。
– V3Detは、巨大な画像上の正確に注釈付けされたバウンディングボックスを持つ広範な語彙視覚検出データセットで、13,029カテゴリの物体のバウンディングボックスを含み、LVISなどの既存の大規模語彙物体検出データセットよりも10倍大きい。
– V3Detの巨大な語彙は階層的なカテゴリツリーで整理されており、カテゴリの包含関係を注釈付けすることで、広大でオープンな語彙物体検出のカテゴリ関係を探索することを促進しています。
– V3Detには、245kの画像に正確に注釈付けされたオブジェクトと、人間の専門家と強力なチャットボットによって書かれた各カテゴリのプロフェッショナルな説明を含め、豊富な注釈があります。
– V3Detは巨大な探査空間を提供することで、巨大でオープンな語彙物体検出の両方で広範なベンチマークを可能にし、将来の研究のための新しい観察、実践、洞察を導くことができます。より一般的な視覚知覚システムの開発の基礎的なデータセットとしての潜在的な可能性を持っています。

要約(オリジナル)

Recent advances in detecting arbitrary objects in the real world are trained and evaluated on object detection datasets with a relatively restricted vocabulary. To facilitate the development of more general visual object detection, we propose V3Det, a vast vocabulary visual detection dataset with precisely annotated bounding boxes on massive images. V3Det has several appealing properties: 1) Vast Vocabulary: It contains bounding boxes of objects from 13,029 categories on real-world images, which is 10 times larger than the existing large vocabulary object detection dataset, e.g., LVIS. 2) Hierarchical Category Organization: The vast vocabulary of V3Det is organized by a hierarchical category tree which annotates the inclusion relationship among categories, encouraging the exploration of category relationships in vast and open vocabulary object detection. 3) Rich Annotations: V3Det comprises precisely annotated objects in 245k images and professional descriptions of each category written by human experts and a powerful chatbot. By offering a vast exploration space, V3Det enables extensive benchmarks on both vast and open vocabulary object detection, leading to new observations, practices, and insights for future research. It has the potential to serve as a cornerstone dataset for developing more general visual perception systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI