V3Det: Vast Vocabulary Visual Detection Dataset

要約

現実世界の任意の物体の検出における最近の進歩は、比較的限定された語彙を使用した物体検出データセットに基づいて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、大規模な画像上に正確に注釈が付けられた境界ボックスを備えた膨大な語彙の視覚検出データセットである V3Det を提案します。
V3Det には、いくつかの魅力的な特性があります。 1) 膨大な語彙: 現実世界の画像上の 13,204 カテゴリからのオブジェクトの境界ボックスが含まれており、これは既存の大語彙オブジェクト検出データセット (LVIS など) より 10 倍大きいです。
2) 階層的なカテゴリ構成: V3Det の膨大な語彙は、カテゴリ間の包含関係に注釈を付ける階層的なカテゴリ ツリーによって編成され、膨大でオープンな語彙オブジェクト検出におけるカテゴリ関係の探索を促進します。
3) 豊富な注釈: V3Det は、243,000 個の画像内の正確に注釈が付けら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専門的な説明で構成されています。
広大な探索スペースを提供することで、V3Det は膨大な語彙とオープンな語彙の両方のオブジェクト検出に関する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、洞察につながります。
これは、より一般的な視覚認識システムを開発するための基礎となるデータセットとして機能する可能性があります。
V3Det は https://v3det.openxlab.org.cn/ で入手できます。

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 13,204 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 243k 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. V3Det is available at https://v3det.openxlab.org.cn/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google