光流数据集

Middlebury数据集仅包含8个用于训练的图像对，其中使用四种不同技术生成真实的光流。位移非常小，通常低于10像素。

KITTI数据集较大（194个训练图像对）并且包括大位移，但仅包含非常特殊的运动类型。通过使用相机和3D激光扫描仪同时记录场景，从现实世界获得ground truth。这假定场景是刚性的，并且运动源于移动的观察者。而且，不能捕获远处物体的运动，例如天空，导致产生稀疏的光流。

Sintel 数据集从渲染的人工场景中获取ground truth，特别注意真实的图像属性。

flying chairs，作者从Flickr中检索964个分辨率为1024×768图像，分别来自城市类别（321），风景（129）和山峰（514）。将图像切割成4个象限，并使用512×384的裁剪图像作为背景。作为前景，将多个椅子的图像添加到背景中。从原始数据集中删除了非常相似的椅子，产生了809种椅子类型，每种有62个视图。为了生成运动，作者随机抽样背景和椅子的仿射变换参数。椅子的变换与背景变换有关，可以将其解释为相机和物体都在移动。使用变换参数，得出第二个图像、光流场和遮挡区域。
https://www.cnblogs.com/bupt213/p/11910531.html

The MPI-Sintel dataset: 是一个很有挑战性的光流估计benchmark，来自真实的计算机动画电影。数据集包含了大运动和光反射场景。在训练集中，超过17.5%的像素有超过20像素的位移，大约10%的像素有超过40像素的位移。我们采用最后的版本里包含了渲染特效：比如运动模糊、失焦模糊和空气扰动。需要注意的是测试集的光流ground truth并没有公开。

The Middlebury dataset: 是在光流方法中广泛采用的数据集。这份数据集中包含了复杂的运动，但是大部分的运动都很小。不到3%的像素超过了20个像素的位移，没有像素位移超过了25像素（训练集）。光流ground truth同样没有公开。

The Kitti dataset: 包含了来自驾驶平台中的真实场景数据。这份数据集包含了non-Lambertion表面，不同的光照条件，很大一系列不同材质和大位移场景。超过16%的像素有超过20像素的位移。同样它的光流ground truth没有公开。
https://zhuanlan.zhihu.com/p/151727367

Scene Flow Datasets数据集： FlyingThings3D, Driving, Monkaa
https://blog.csdn.net/zz2230633069/article/details/92838002

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！