无人机视觉定位是怎么回事_drone无人机怎么下APP_网络技术

大家好，又见面了，我是你们的朋友全栈君。

2018年已经举办过一年了，2019年在ICCV上举办。

我们鼓励参与者使用每项任务提供的训练数据，但也允许他们使用额外的训练数据。在上传结果到服务器时，必须在“方法描述”中注明使用了额外的训练数据。

我们强调，任何形式的标注或使用VisDrone测试集进行监督或无监督训练都是严格禁止的。参与者必须在提交时明确指定在“方法描述”中使用的所有外部训练数据。此外，参与者不得使用其他任务的训练或验证集来训练某一任务的模型。

我们已将测试集分为两个部分，包括test-challenge和test-dev。test-dev每天可以提交3次，test-challenge总共可以提交3次。

不明白为什么download里的test-dev是不能下载的。。。

视觉与无人机：挑战摘要我们的基准测试包含超过250万个标注实例，分布在179,264张图像/视频帧中。

引言现状：缺乏大型数据集。

我们仔细标注了这些类别中的超过250万个目标实例的边界框。此外，为了更好地使用数据，还提供了包括场景可见性、目标类别和遮挡等重要属性。

感觉数据量还是挺大的，也没什么别的数据集可以利用了。

3.2 任务1：图像中的目标检测VisDrone2018为此任务提供了10,209张图像的数据集，其中6,471张用于训练，548张用于验证，3,190张用于测试。

对于截断比例，它用于指示目标部分出现在帧外的程度。如果一个目标未完全捕捉在帧内，我们会在帧边界上标注边界框，并根据图像外的区域估计截断比例。值得注意的是，如果一个目标的截断比例大于50%，在评估过程中将被跳过。

任务1 遮挡情况

三种遮挡程度：无遮挡（遮挡比例0%）、部分遮挡（遮挡比例1%到50%）、重度遮挡（遮挡比例大于50%）。

2018年任务1的获胜者选择了RetinaNet，去除了后两层，只使用了P3、P4、P5。

数据分布

Cascade R-CNN：深入研究高质量目标检测

单次双向金字塔网络用于高质量目标检测

数据观察任务1边界框观察数据分布

类别分布

	0 ignored	1 pedestrain	2 people	3 bicycle	4 car	5 van	6 truck	7 tricycly	8 awning-tricycle	9 bus	10 motor	11 others
train	2.49%	22.44%	7.65%	2.96%	40.97%	7.06%	3.64%	1.36%	0.92%	1.68%	8.39%	0.43%
val	3.43%	22.02%	12.76%	3.24%	35.01%	4.92%	1.87%	2.60%	1.32%	0.62%	12.16%	0.08%
trian_val	2.59%	22.40%	8.17%	2.99%	40.37%	6.84%	3.46%	1.49%	0.96%	1.57%	8.77%	0.40%

	0 ignored	1 pedestrain	2 people	3 bicycle	4 car	5 van	6 truck	7 tricycly	8 awning-tricycle	9 bus	10 motor	11 others
train	3.89%	6.42%	1.82%	1.45%	54.11%	11.66%	9.46%	1.39%	1.07%	4.69%	3.35%	0.69%
val	8.23%	7.44%	3.67%	1.42%	54.88%	7.68%	5.80%	2.38%	1.29%	1.82%	5.23%	0.15%
trian_val	4.18%	6.49%	1.94%	1.45%	54.16%	11.39%	9.22%	1.46%	1.09%	4.50%	3.47%	0.65%

图片尺寸分布

	480×360	960×540	1344×756	1360×765	1389×1042	1398×1048	1400×788	1400×1050	1916×1078	1920×1080	2000×1500	all
train	1	250	1	743	1	30	1299	2498	537	339	772	6462
val	0	121	0	408	0	0	0	0	0	19	0	548
test	0	64	0	150	0	0	712	491	127	36	0	1580

train 平均图像大小：1575738.0529247911

b0说任务2中同一个物体的类别会变。Pyramid Scene Parsing Network发布者：全栈程序员栈长，转载请注明出处：https://www./link/c8ad39b9579b4816dc8f6f805c190308