比特派下载地址|ovis
作者： 比特派下载地址
2024-03-07 20:25:18
OVIS：针对遮挡场景的视频实例分割数据集 - 知乎
OVIS：针对遮挡场景的视频实例分割数据集 - 知乎首发于随笔切换模式写文章登录/注册OVIS：针对遮挡场景的视频实例分割数据集齐继扬计算机科学与技术本文介绍一下我们最近公开的视频实例分割数据集OVISOccluded Video Instance Segmentation1. Motivation对于被遮挡的物体，人类能够根据时序上下文来识别，定位和追踪被遮挡的物体，甚至能脑补出物体被遮住的部分，那么现有的深度学习方法对遮挡场景的处理能力如何呢？为了探究这个问题，我们构建了一个针对强遮挡场景的大型视频实例分割数据集Occluded Video Instance Segmentation (OVIS)。视频实例分割(VIS)要求算法能检测、分割、跟踪视频里的所有物体。与现有的VIS数据集相比，OVIS最主要的特点就是视频里存在大量的多种多样的遮挡。因此，OVIS很适合用来衡量算法对于遮挡场景的处理能力。 实验表明，现有的方法并不能在强遮挡场景下取得令人满意的结果，相比于广泛使用的YouTube-VIS数据集，几乎所有算法在OVIS上的指标都下降了一半以上。2. Dataset Statistics我们一共采集了近万段视频，并最终从中挑选出了901段遮挡严重、运动较多、场景复杂的片段，每段视频都至少有两个相互遮挡的目标对象。其中大部分视频分辨率为1920x1080，时长在5s到60s之间。我们按每5帧标注一帧的密度进行了高质量标注，最终得到了OVIS数据集。 OVIS共包含25种生活中常见的类别，如下图所示，其中包括人，交通工具，以及动物。这些类别的目标往往处于运动状态，也更容易发生严重的遮挡。此外，OVIS的25个类别都可以在大型的图片级实例分割数据集（MS COCO，LVIS，Pascal VOC 等）中找到，方便研究人员进行模型的迁移和数据的复用。OVIS包含5223个目标对象的296k个高质量mask标注。相比先前的Youtube-VIS数据集，OVIS拥有更多的mask和更多的目标对象。我们牺牲了一定的视频段数来标注更长更复杂的视频，以让它更具挑战性。 与先前的其他VIS数据集相比，OVIS最大的特点在于严重的遮挡。为了量化遮挡的严重程度，我们提出了一个指标mean Bounding-box Overlap Rate (mBOR)来粗略的反映遮挡程度。mBOR指图像中边界框重叠部分的面积占所有边界框面积的比例。从下表中可以看出，相比于YouTube-VIS，OVIS有着更严重的遮挡。 值得注意的是，除去上面提到的基础数据统计量，OVIS在视频时长、物体可见时长、每帧物体数、每段视频物体数等统计量上都显著高于YouTube-VIS，这与实际场景更为相近，同时也进一步提高了OVIS的难度。3. Experiments我们在OVIS上尝试了5种开源的现有算法，结果如下表。可以看到OVIS非常具有挑战性。使用同样的评价指标，MaskTrack R-CNN在Youtube-VIS验证集上mAP能达到30.3，在OVIS验证集上只有10.9；SipMask的mAP也从Youtube-VIS上的32.5下降到了OVIS上的10.3。5个现有算法中，STEm-Seg在OVIS上效果最好，但也只得到了13.8的mAP。4. VisualizationOVIS中包含多种不同的遮挡类型，按遮挡程度可分为部分遮挡、完全遮挡，按被遮挡场景可分为被其他目标对象遮挡、被背景遮挡、被图片边界遮挡。不同类型的遮挡可能同时存在，物体之间的遮挡关系也比较复杂。OVIS的标注质量也很高，我们对笼子的网格、动物的毛发都做了精细的标注。更多可视化样例请见我们的主页5. Conclusion我们针对遮挡场景下的视频实例分割任务构建了一个大型数据集OVIS。作为继YouTube-VIS之后的第二个视频实例分割benchmark，OVIS主要被设计用于衡量模型处理遮挡场景的能力。实验表明OVIS给现有算法带来了巨大的挑战。未来，我们还将把OVIS推广至视频物体分割(VOS)，视频全景分割(VPS)等场景，期待OVIS能够启发更多的研究人员进行复杂场景下视频理解的研究。编辑于 2021-02-17 20:46计算机视觉深度学习（Deep Learning）数据集赞同 123 条评论分享喜欢收藏申请转载文章被以下专栏收录随笔记录工作与日常生活，随心
盘羊（偶蹄目牛科盘羊属哺乳动物）_百度百科
蹄目牛科盘羊属哺乳动物）_百度百科 网页新闻贴吧知道网盘图片视频地图文库资讯采购百科百度首页登录注册进入词条全站搜索帮助首页秒懂百科特色百科知识专题加入百科百科团队权威合作下载百科APP个人中心盘羊是一个多义词，请在下列义项上选择浏览（共2个义项）展开添加义项盘羊[pán yáng]播报讨论上传视频偶蹄目牛科盘羊属哺乳动物收藏查看我的收藏0有用+10盘羊，又称大头弯羊、大角羊、蟠羊，偶蹄目牛科盘羊属哺乳动物。盘羊的雌雄均具角，雄性的角粗大，角向下扭曲呈螺旋状，外侧有环棱，角长达1米以上，雌性的角比雄性短，弯曲度不大，角呈镰刀状；体色暗褐色或污灰，脸面、肩胛、前背为浅灰棕色，喉部浅黄色，胸、腹、四肢下部为污白色。 [9]盘羊在中国主要分布于西藏、青海、内蒙古、甘肃、新疆等地；国际上分布于阿富汗、印度、哈萨克斯坦、吉尔吉斯斯坦、蒙古、尼泊尔、巴基斯坦、俄罗斯、塔吉克斯坦、乌兹别克斯坦。盘羊喜栖于高山裸岩带及起伏的山间丘陵，多在海拔范围一般在700-5200米山地草原和高山、亚高山高寒草甸草原。盘羊为群居动物，有季节性的垂直迁徙习性，多以禾本科、莎草科和葱属植物为食，也取食一些灌木的嫩枝叶。盘羊1-2岁性成熟，秋末和初冬发情交配，妊娠期150-160天，第二年5-6月产仔，一般每胎1仔，偶见1胎2仔。 [9]全球气候变化、人类活动干扰、过度放牧、网围栏、矿业开采、盗猎、栖息地植被退化、栖息地沙化、栖息地破碎化、栖息地丧失等导致盘羊总数减少， [9]现列入《世界自然保护联盟濒危物种红色名录》（IUCN），近危（NT）； [10]《濒危野生动植物种国际贸易公约附录Ⅰ、附录Ⅱ和附录Ⅲ》（CITES）附录Ⅰ、附录Ⅱ； [11]中国《国家重点保护野生动物名录》。 [12]中文名盘羊拉丁学名Ovis ammon别 名盘角羊、大角羊、大头羊外文名英文名 Argali, Wild Sheep法文 Mouflon Vrai, Mouflon d'Asie, Mouflon d'Eurasi西班牙文 Argali印地语 Nyan吉尔吉斯语 Архар展开外文名英文名 Argali, Wild Sheep法文 Mouflon Vrai, Mouflon d'Asie, Mouflon d'Eurasi西班牙文 Argali印地语 Nyan吉尔吉斯语 Архар蒙古文 Argali Khony俄罗斯文 Arkhar; Архар [1]收起界动物界门脊索动物门纲哺乳纲目偶蹄目科牛科属盘羊属（绵羊属）种盘羊亚 门脊椎动物亚门亚 纲真兽亚纲亚 科羊亚科亚 种9亚种 [6]命名者及年代Linnaeus, 1758保护级别近危（NT）IUCN标准 [1]目录1形态特征2近种区别3栖息环境4生活习性5分布范围6繁殖方式7亚种分化8保护现状▪保护级别▪种群现状9相关文化▪邮票▪动画形态特征播报编辑盘羊躯体粗壮，体长1.2-2米，肩高90-120厘米，体重65-185千克，肩高等于或低于臀高。头大颈粗，尾短小。四肢粗短，蹄的前面特别陡直，适于攀爬于岩石间。有眶下腺及蹄腺。乳头1对，位于鼠鼷部。通体被毛粗而短，唯颈部披毛较长。体色一般为褐灰色或污灰色，脸面、肩胛，前背呈浅灰棕色，耳内白色部浅黄色，胸、腹部，四肢内侧和下部及臀部均呈污白色。前肢前面毛色深暗于其他各处，尾背色调与体背相同，雌羊的毛色比雄羊的深暗。 [2] [4]雌雄均有角但形状和大小均明显不同。雄性角特别大，呈螺旋状扭曲一圈多，角外侧有明显而狭窄的环棱，雄羊角自头顶长出后，两角略微向外侧后上方延伸，随即再向后下方及前方弯转，角尖最后又微微往外上方卷曲，故形成明显螺旋状角形。角基一般特别粗大而稍呈浑圆状，至角尖段则又呈刀片状，角长可达1.45米上下，最大可达190厘米。巨大的角和头及身体显得不相称。雌羊角形简单，角体也明显较雄羊短细，角长不超过0.5米，角形呈镰刀状。但比起其它一些羊类,雌盘羊角还是明显粗大。 [2]近种区别播报编辑盘羊雪羊盘羊躯体粗壮，体长1.2-2米，肩高90-120厘米，体重65-185千克，肩高等于或低于臀高。雪羊体长1.3-1.6米，肩高约90-122厘米，尾长15-20厘米，体重约45-90千克。雌性比雄性躯体小近30%。雄性角特别大，呈螺旋状扭曲一圈多。雌、雄均生有黑色短角，角呈圆形，弯曲度不大。体色一般为褐灰色或污灰色，脸面、肩胛，前背呈浅灰棕色。浑身披着一层茂密的白色长毛。盘羊雪羊栖息环境播报编辑盘羊是典型的山地动物，喜在半开旷的高山裸岩带及起伏的山间丘陵生活，分布海拔在1500米至5500米左右，可可西里的盘羊分布在海拔5000米以上山区的高寒草原、高寒荒漠、高寒草甸等环境中，夏季常活动于雪线的下缘，冬季栖息环境积雪深厚时，它们则从高处迁至低山谷地生活，有季节性的垂直迁徙习性。 [2]生活习性播报编辑盘羊的腿比较长，身材比较瘦，与其它野绵羊相比其爬山技巧比较差，因此在逃跑时一般避免逃向太陡峭的山坡。采食或休息时常有一头成年羊在高处守望，能及时发现很远地方的异常，当危险来临，即向群体发出信号。它们能在悬崖峭壁上奔跑跳跃，来去自如，而且极耐渴，能几天不喝水， 冬天无水就吃雪。盘羊的视觉、听觉和嗅觉敏锐，性情机警，稍有动静，便迅速逃遁。常以小群活动，每群数量不多，数只至十多只的较常见，似乎不集成大群活动。冬季雌雄合群在一起活动，配种时期每只雄盘羊和数只雌盘羊一起生活，配种季节结束后又分开活动，雌盘羊产仔在第二年夏季。 [2]一般3-5或数十只为一群。主要在晨昏活动，冬季也常常在白天觅食。发情期在冬季，这样幼羊可以在春季出生。以草和树叶为生，以禾本科、葱属以及杂草为食。盘羊善于爬山，比较耐寒。盘羊的主要天敌是狼和雪豹。 盘羊食性较广，分布区的各种植物均食用，有一种说法是：老龄雄性盘羊由于巨大的角妨碍，往往无法采食，被活活饿死。在交配期间，雄性盘羊争偶激烈，巨角相撞响声巨大，人们在山坡上可以听到山的另一侧雄盘羊争偶时巨角撞击的声音，所以雄盘羊角上一般都能看到许多撞击的痕迹。 [2]分布范围播报编辑分布于阿富汗、中国、印度、哈萨克斯坦、吉尔吉斯斯坦、蒙古、尼泊尔、巴基斯坦、俄罗斯、塔吉克斯坦和乌兹别克斯坦；存在不确定性：不丹。 [1]中国主要分布在新疆、青海、甘肃、西藏、四川和内蒙古地区。 [5]盘羊分布图繁殖方式播报编辑盘羊在秋末和初冬发情交配，妊娠期150-160天，次年5月至6月产仔，每胎产仔1-3只。幼仔适应环境的本领很强，出生后毛一干便能直立起来吃奶，几小时后即可随雌兽活动，1月龄左右开始吃草，哺乳期大约持续半年以上，1-2岁性成熟。寿命约为10-15年。 [5]亚种分化播报编辑盘羊（9亚种）中文名称学名命名者及年代1阿尔泰盘羊Ovis ammon ammonLinnaeus, 17582哈萨克盘羊Ovis ammon colliumSevertzov, 18733戈壁盘羊Ovis ammon darwiniPrzewalski, 18834西藏盘羊Ovis ammon hodgsoniBlyth, 18415雅布赖盘羊Ovis ammon jubataPeters, 18766天山盘羊Ovis ammon kareliniSevertzov, 1873 7卡拉套盘羊Ovis ammon nigrimontanaSevertzov, 18738帕米尔盘羊Ovis ammon poliiBlyth, 18419乌兹别克盘羊Ovis ammon severtzoviNasonov, 1914 [1]保护现状播报编辑保护级别列入《世界自然保护联盟濒危物种红色名录》（IUCN）2020年 ver3.1——近危（NT）。 [1]全部亚种列入《濒危野生动植物种国际贸易公约附录Ⅰ、附录Ⅱ和附录Ⅲ》（CITES）2019年版 附录Ⅱ。 [3]其中西藏盘羊和卡拉套盘羊列入 附录Ⅰ。 [3]列入中国《国家重点保护野生动物名录》（2021年2月5日）其中西藏盘羊一级；阿尔泰盘羊、哈萨克盘羊、天山盘羊和帕米尔盘羊 二级。 [8]种群现状所有亚种的数量均减少，在整个亚洲盘羊的总数估计少于八万头。它们最主要的分布地区在塔吉克斯坦、吉尔吉斯斯坦和蒙古部分地区。盘羊生活在中亚的众多山脉中，其分布地区从阿尔泰山脉、南西伯利亚、蒙古国、西藏、天山山脉一直到尼泊尔和帕米尔高原，它们可以在7000米的高处生存。由于狩猎以及家畜的竞争盘羊几乎到处都变少了，在一些地区甚至完全消失了。在中国东北、蒙古部分地区、南西伯利亚、哈萨克斯坦和乌兹别克斯坦大部分地区盘羊已经绝种。在喜马拉雅山脉、内蒙古、西藏大部分地区以及新疆该物种已经很少了。在俄罗斯的阿尔泰山脉仅有少数生存。 [4]新疆的该亚种数量为6000-8000只。但1992年的一次3万平方公里调查的种群估计为16,000-23000。西藏西部，从阿里地区到双湖地区，种群密度低，估计数量为6000-7000只，占西藏所有盘羊数量的34%。甘肃分布区的该亚种密度为0.5只/km2，甘肃的数量大约为3000只。青海的该亚种集中在西北部、西南部和南部，数量超过2000只。四川西部的该亚种种群情况不明，估计数量大约为1000只。该亚种在西藏南部和西南部种群密度很低，甚至没有。然而，这一估计数字很可能是大大超过了实际所有的数字。 [1]在甘肃最西部阿克塞地区的考察中见到至少129头，估计该地区总数为150头，其中成年的至少67头，认为该种群是健康的，并认为每年开展国际狩猎2-3头将不致危害种群的繁殖。又称阿尔金山地区2天考察，见至少116头，除6头亚成体外，其余均为母子群。 [4]同1991年他与Loggers的考察国际盘羊为245头相比，1997年考察估计野牛沟盘羊数为140 头，减少了43%。 [4]相关文化播报编辑邮票盘羊邮票中国于1991.5.10发行了野羊邮票：志号： T161创作者： （设计者）殷会利发行日期： 1991-5-10详细描述：影写版，齿数：11*11.5，规格：40*30mm，版式：40（5*8）（1）20分 高鼻羚凌羊 2597.3万枚（2）20分 扭角羚 2491.7万枚（3）50分 盘羊 1860.1万枚（4）2元 北山羊 2174.9万枚 [7]动画大头羊在少儿动画作品《喜羊羊与灰太狼》之《羊羊运动会》里出现过。中国盘羊，最大的绵羊，体型巨大，毛发长，角向前弯。有晚上聚在一起休息的习性，如有动物入侵会反射性的踢腿。盘羊全部都是力量型选手。它们憨厚老实，从一开始就深信一切关于力量型的项目冠军非它们莫属，直到遇到暖羊羊。它们没想到暖羊羊也是来自盘羊家族的，在赛场上，盘羊一块奖牌也拿不到（除了一枚天神奖的“诚实金牌”）。新手上路成长任务编辑入门编辑规则本人编辑我有疑问内容质疑在线客服官方贴吧意见反馈投诉建议举报不良信息未通过词条申诉投诉侵权信息封禁查询与解封©2024 Baidu 使用百度前必读 | 百科协议 | 隐私政策 | 百度百科合作平台 | 京ICP证030173号 京公网安备110000020000绵羊（哺乳纲动物）_百度百科
乳纲动物）_百度百科 网页新闻贴吧知道网盘图片视频地图文库资讯采购百科百度首页登录注册进入词条全站搜索帮助首页秒懂百科特色百科知识专题加入百科百科团队权威合作下载百科APP个人中心绵羊是一个多义词，请在下列义项上选择浏览（共13个义项）展开添加义项绵羊[mián yáng]播报讨论上传视频哺乳纲动物收藏查看我的收藏0有用+10本词条由“科普中国”科学百科词条编写与应用工作项目 审核 。绵羊（Ovis aries）是偶蹄目牛科 [12]绵羊属哺乳动物。体躯丰满，被毛绵密；头短；公羊多有螺旋状大角，母羊无角或角细小；颅骨上具泪窝，鼻骨较隆起；四蹄有趾腺；嘴尖、唇薄而灵活；体重自数十千克至百余千克不等，自然寿命约15年。 [9]绵羊发源地在中亚，后逐渐向世界各地扩展。性情温驯，仿效性、合群性强，有跟随领头羊（通常是老母羊）集合成群的习性。 [9]食短草，亦采食粗硬秸秆、树枝。人工饲养可喂饲料。 [10]耐寒，耐热，一般喜干燥怕潮湿。性怯懦，自卫能力弱，易受兽害。基本为季节性繁殖动物，一般配种季节为9—11月，发情持续期为1—2天， [9]每胎产1—5仔。 [10]绵羊毛为毛纺工业的主要原料。皮张可用作工业原料和装饰品。野生绵羊驯化为家畜始于约11000年以前的新石器时代。 [9]1996年，美国罗斯林研究所以成熟体细胞为基础，成功克隆出绵羊“多利”，成为世界上第一例克隆羊。 [11]绵羊是免疫学研究、生理学实验、实验外科手术、微生物学教学实习及医疗检验中常用的实验动物。用绵羊可制备抗正常人全血清的免疫血清。绵羊红细胞是血清学补体结合试验的主要实验材料。绵羊的蓝舌病还可用于人类脑积水等相关疾病的研究。 [10]拉丁学名Ovis aries(Linnaeus, 1758)外文名sheep界动物界门脊索动物门纲哺乳纲目偶蹄目科牛科属绵羊属（盘羊属）种绵羊亚 门脊椎动物亚门亚 目反刍亚目亚 纲真兽亚纲亚 科羊亚科族羊族分布区域世界各地中文学名绵羊二名法Ovis aries目录1生活习性2分布范围3外形特征4亚种分化5绵羊类型▪细毛羊▪半细毛羊▪粗毛羊▪裘皮羊▪羔皮羊▪乳用羊▪肉用羊6繁殖管理7杂交优势▪杂交▪管理8饲养管理9夏季防病▪绵羊传染性脓疱▪绵羊蓝舌病▪羊肠毒血症10注意事项11世界纪录▪新西兰羊▪澳大利亚羊生活习性播报编辑①性情温顺，合群性强：绵羊性温顺，胆小，行动缓慢。利用这一特性，可以训练羊群听从指挥，便于放牧管理。当突然遭到惊吓时，两耳竖起，眼睛睁大，四处乱跑，引起“炸群"放牧时应注意保持于安静环境，由于懦弱，公羊虽生有大角，却不能自卫，无抵抗能力，必须提防狼等野兽的侵害。绵羊有较强的合群性，喜受聚集一起，有利于组群放牧。当羊群出、入圈，过桥、过河或通过狭窄处时，只要有“头羊”先行，其余羊只就会尾随争先跟进，故羊群虽大，却易于驱赶和管理。就品种而言，一般粗毛羊合群性最强，细毛羊次之，以半细毛羊最差。当然，羊的合群性随季节而有所不同。如夏季牧草丰茂，合群性强，冬、春季节，由于争食枯草、树叶等，合群性往往较差些。②喜干燥清洁，抗寒而怕炎热潮湿：绵羊喜干燥，怕潮湿和炎热。棚圈湿热、湿冷或于低洼草地放牧，易感染疾病，如患寄生虫病和关节炎等。绵羊全身被毛密生，且皮肤厚，故一般不怕冷而怕热。在夏季炎热时，要防止绵羊拥挤在一块，出现“扎窝子”现象，特别是细毛羊更要注意防暑，应将羊群赶至树荫下休息。躲过炎日照射时再放牧。在严寒的冬季也应有棚舍，保持干燥，挡风和避雪。③嗅觉灵敏，采食力强：绵羊有发达的嗅觉，在采食草来前，总是先用鼻子嗅一嗅，凡有异味、污染或被践踏的饲草混有泥土的草、料均不喜欢采食。因此，放牧应注意经常轮草场；饲喂时要将草、料放置于草架、料槽中，不可直接撒在地上；每次饲喂前要打扫干净，然后再放草料，以保证羊能吃够吃好，节省草料，绵羊喜饮清洁的流水或泉水等，拒饮有异或不洁的水，放牧时要保证饮好水，以避免因口渴而误饮水、污水。绵羊嘴唇薄而灵活，门齿锐利，能啃食低矮的小草及根，采食植物种类多，约占整个饲喂植物种类的88%，喜食科和禾本科牧草，于枯草期，对落叶和杂草皆吃。④适应性强：绵羊对生活环境条件的适应性较强，表在恶劣条件下，比其他家畜有较强的耐受性和抗逆能力。这适应性与绵羊品种有关细毛羊一般抗干燥和寒冷，而对热则不适应；半细毛羊品种则能抗湿热，但不耐干旱，适应绿多汁饲料的环境条件。所以在对绵羊的饲养管理时，必须虑到其品种的这些特性，方能把羊养好 [1]。分布范围播报编辑一般认为绵羊可能起源于4种不同的野生种，即：栖息于地中海沿岸的摩弗仑羊（O.musimon）、分布于亚洲中部和西南部的东方羊（O.orientalis）、盘羊(O.ammon）和蛮羊（O.orientalis vignei）。野生绵羊驯化为家畜始于约11000年以前的新石器时代，发源地在中亚细亚，以后逐渐向世界各地扩展，经大量出土羊骨的碳测定认为，中国养羊历史在8000年前。野生羊经过长时期的选择（动物）和淘汰，其外形和特性有了许多变化；并由于各地自然条件和经济需要的差异而出现了不同的品种类型。18世纪以来，品种的发展尤为迅速 [1]。外形特征播报编辑绵羊体躯丰满，被毛绵密，头短。公绵羊多有螺旋状大角具有威慑性，母绵羊无角或角细小。颅骨上具泪窝，鼻骨较隆起。四蹄都有趾腺。公绵羊无偞气。体重有十千克至百余千克不等。其构造和习性因具有多种特点而适于放牧；嘴尖、唇薄而灵活，利于采食短草，亦能采食粗硬的秸秆、树枝；消化能力强；有的种类可在尾部、臀部和内脏器官周围蓄积脂肪，以供冬春青饲料缺乏时消耗；仿效性、合群性强，有跟随领头羊（通常是老母绵羊）集合成群的习性；放牧时好向高处采食，夜间亦喜睡于牧地高处。 由于被毛的保温和隔热作用，能耐寒、耐热；但在剪毛后不久，如果天气骤冷，或被雨淋时容易得病。一般喜干燥而怕湿热。性怯懦，自卫能力弱，易受兽害。自然寿命约15岁。绵羊亚种分化播报编辑绵羊品种估计至少有 500种以上。按尾型可分为4类：①细短尾羊。尾细无明显的脂肪沉积，尾端在飞节以上，如西藏羊、罗曼诺夫羊等。②细长尾羊。尾细、尾端达飞节以下，如新疆细毛羊、林肯羊等；③脂尾羊。脂肪在尾部积聚成垫状，形状和大小不一，尾端在飞节以上的称短脂尾羊，如小尾寒羊、蒙古羊、卡拉库尔羊等；尾端在飞节以下的称长脂尾羊，如大尾寒羊等。④肥臀羊。脂肪在臀部积聚成垫状，尾椎数少，尾短，呈“ W”形，如哈萨克羊、吉萨尔羊等。绵羊类型播报编辑细毛羊以产毛为主要饲养目的，约占世界绵羊品种的10%。全身被毛细度都在25微米以内，支数不低于60支，毛长在 7厘米以上，是制造精纺织品的优良原料。由于各国选育目标和当地自然条件的不同，又分为毛用、毛肉兼用和肉毛兼用3型（见美利奴羊）。半细毛羊绵羊(5张)以产肉为主要饲养目的，约占世界绵羊品种的33%。全身被毛细度为32～58支，长度为6～35厘米，可用于制造精纺织品、毛线、大衣呢、工业用呢和地毯等。按毛的长度，又可分为两类：①中毛种。毛纤维较短较细，长度为 6～15厘米，细度为46～58支。原产于英国南部的丘陵地区，如南丘羊、牛津羊、汉普夏羊、萨福克羊、雪洛普夏羊和多赛特羊等；以细毛羊与长毛羊杂交育成的考力代羊、波尔华斯羊等亦属之。②长毛种。毛纤维较长较粗，长度约12～35厘米，细度32～50支。原产英国的林肯羊、莱斯特羊、边区莱斯特羊和罗姆尼羊等属之。粗毛羊毛纤维混杂有细毛（绒毛）、粗毛、两型毛和死毛等，只能用以织造地毯，故亦称“地毯毛羊”。广布于世界各地，约占全部绵羊品种的48%。中国的蒙古羊、西藏羊，英国的苏格兰黑面羊，以及非洲、亚洲的许多地方品种均属之。具有大或短的脂尾或脂臀，也有小尾的。能适应贫瘠的草地和恶劣的气候条件。一般肉用性能好，增膘能力强，肉质优美。裘皮羊所产裘皮具有毛穗好、皮张大、皮板轻、成品美观、结实等特点。中国的滩羊是世界上生产裘皮最好的品种。羔皮羊出生后1～2天内屠宰取皮用，皮毛具有美丽的卷曲和图案，富光泽。以卡拉库尔羊所产的羔皮著名于世。中国的湖羊羔皮在国际市场上也享有声誉。乳用羊主要用于产乳。如德国的东弗里生羊，一个泌乳周期可产800至1000kg羊奶。乳用羊、裘皮羊和羔皮羊均属粗毛品种。肉用羊萨福克羊是世界上体格、体重最大的肉用品种，早熟，生长发育快。杜泊羊体格大，体躯近似圆桶状，早期发育快，是分布较广的肉羊品种 [2]。繁殖管理播报编辑绵羊是季节性繁殖动物。一般配种季节在日照缩短、气温下降的9～11月份，但在纬度较低而饲养管理较好的地方，也能全年发情配种。发情持续期为1～2天，发情周期平均17天，妊娠期151～152天（142～155天）。初生重约3.5～4.5千克，多为单羔，但双羔和三羔亦常见。性成熟和初配年龄因品种类型和饲养管理而异：母羊4～10月龄性成熟，初配年龄为1～2岁，繁殖年限约6～8岁；公羊5～7月龄性成熟，18～20月龄初配，繁殖年限6～8岁。适宜的配种期依当地的气候、牧草条件、母羊膘情和最适宜的接羔时间而定；同时也考虑饲料、羊舍和劳力等因素，而以产冬羔为最佳。配种方法采用人工授精或自然交配。同期发情、胚胎移植、胚胎体外培养和冷冻精液等新技术已在绵羊繁殖上应用。利用激素诱导母羊同期发情和通过人工授精使产羔时间大体一致，有利于集中产羔和成批生产肥羔。为提高肥羔产量，常选择配种季节长或全年能配种的品种，使母羊一年两产或两年三产。培育早熟多胎品种和降低母羊初配年龄也可提高产羔率。良好的接羔和育羔工作可提高成活率 [3-4]。杂交优势播报编辑杂交在绵羊育种上的利用较为普遍，一般是用长毛羊和细毛羊或中毛羊品种进行品种间杂交，来生产肉用商品羔羊。如在美国、英国和新西兰，大多通过杂交配种，当年产羔屠宰或出售至肥育场肥育，以提高出栏率或商品率，并减轻冬、春草地的负担。管理绵羊(12张)绵羊善于利用粗纤维，因而饲粮中粗饲料的比重可达90～95%。蛋白质的比重宜占10～15%。根据不同季节的气候、牧草生长和水源条件选择牧地进行放牧饲养。全年放牧可以获得所需蛋白质的大部分和丰富的矿物质、维生素来源。冬季和早春牧草枯黄，又值产羔和哺乳季节，需进行补饲，可按羊只的种用价值、体重、生长发育状况，以及妊娠、泌乳的营养需要进行。羔羊4月龄断乳，哺乳期宜补喂精料。断乳后的公母羔分别编入育成羊群或肥育群中饲养。利用牧羊犬放牧羊群，效果既好，又可节约费用。20世纪60年代以来，有些国家采用高度集约化方法生产羔羊肉，其特点是充分控制环境条件和利用全价日粮，使羔羊快速生长，缩短生产流程，且饲养密度高；生产过程高度机械化和自动化；产品定型规格化，能全年均衡生产。饲养管理播报编辑①断尾。即在细毛羊和半细毛羊出生1个月内将其尾巴断去，以防止尾巴容易引起粪便等污染，并便于交配。②去势。即将不配种的公羊羔的睾丸除去。去势后的公羊性情温驯，容易肥育，且肉质细嫩而无偞味。③剪毛。一般每年5、6 月间剪毛一次，但粗毛羊可春、秋各剪一次。要求剪齐，不剪二茬毛，并按不同的细度和长度等分级。化学脱毛方法也有试用，主要是喂给环磷酰胺，使毛脱落，以提高优等毛的比例和劳动生产率。也有研究用激光束来剪毛的。剪毛或脱毛后半个月左右进行药浴，预防外部寄生虫感染 [5]。种公羊种公羊应常年维持在中上等膘情，保持健壮、活泼、精力充沛的体质和良好的种用性能。种公羊最好单圈饲养，尤其不要与母羊合群，以免乱配,消耗体力，降低配种能力，青草期可放牧，也可以割青草舍饲，并每天补喂混合精料0.4～0.5千克。枯草期补喂精料1千克，适当补喂些胡萝卜等多汁料，优质干草自由采食，日需干草2～2.5千克。配种量大时,每天还应补喂1～2个鸡蛋。公羊补料要按每日3次补给，以免1次喂料量多而引起腹大影响配种。种公羊的饲料应当品质好，易消化，适口。最理想的粗饲料是苜蓿干草、三叶草干草等。精料以燕麦、大麦较好，糠麸、高粱等效果亦佳。在缺乏豆科干草时，补饲一定数量的豌豆也是必要的。多汁料有胡萝卜、饲用甜菜、莞根及青贮等。种公羊每天有2小时左右的运动时间，以增强体质、提高性欲和配种能力。管理种公羊，必须由工作认真并有经验的牧工担任，要长期相对稳定。种公羊要单独组群放牧和补饲。放牧时距母羊群要远些，尽可能防止公羊互斗。种公羊圈舍，宜宽敞坚固，保持清洁、干燥,定期消毒。为了保证促公羊的健康,应贯彻预防为主的方针。定期检疫和预防接种，做好体内外寄生虫病的防治工作。平时要认真观察种公羊的精神、食欲等，发现异常，立即报告兽医人员 [6]。夏季防病播报编辑夏季气温高，多雨，湿度大，在绵羊养殖上，由于饲养管理和防疫措施不到位，极易引发绵羊传染性脓疱、蓝舌病和羊肠毒血症三种病的发生和流行，给绵羊养殖带来一定的经济损失，必须认真加以防治。下面，将三种病的防治方法简要介绍如下：绵羊传染性脓疱俗称“羊口疮”，病原体为痘病毒科副痘病毒属中的传染性脓疱病毒，以3～6月龄的幼羊最易感，主要通过圈舍、用具和皮肤擦伤传播，一旦发生可危害多年。临床特征：潜伏期4～7天，通常在口唇部皮肤和粘膜见到丘疹、脓疱、溃疡和结成的疣状厚痂，肉芽组织增生，使口唇肿大，影响采食，病羊往往因衰弱而亡，病程为2～3周。防治措施：严禁从疫区引进绵羊，并建立绵羊引进隔离观察制度；可在每年3月或9月用口疮弱毒细胞冻干苗在羊只口腔粘膜内接种免疫；幼、羔羊口腔粘膜娇嫩，易引起外伤，应避免饲喂粗硬饲料，防止感染；发病后，用2%的火碱对羊舍及用具进行彻底消毒，并对病羊进行隔离治疗，可用食醋或1%高锰酸钾溶液冲洗创面，再涂以碘甘油或抗生素软膏，每天两次。绵羊蓝舌病病原体为呼肠孤病毒科的蓝舌病病毒，因患病羊只舌呈蓝紫色而得名。库蠓是主要的传播媒介，病毒可经胎盘侵害胎儿。临床特征：潜伏期3～8天，病羊发热高达42℃，精神沉郁，食欲废绝，口腔粘膜充血，舌呈蓝紫色，数日后口、舌上皮粘膜糜烂，头、耳和喉部可发生水肿，有的见咳嗽、血样下痢症状；妊娠绵羊可出现流产、死胎或胎儿先天异常。病程为6～14天，病死率达2%～30%。注意与传染性脓疱的鉴别：蓝舌病除病羊舌见蓝紫色外，体温升高等全身症状明显，而传染性脓疱主要侵害幼羊，一般不出现体温升高及全身症状，病变只发生在口唇部。防治措施：防重于治，从外地引进绵羊时，要严格检疫；夏季做好消灭库蠓工作，保持绵羊圈舍清洁卫生，防止库蠓叮咬；患病羊只用0.1%～0.2%的高锰酸钾溶液等对患部进行冲洗，溃疡面涂抹碘甘油或冰硼散，每天2～3次，并用磺胺类或抗生素类药物防止继发感染，同时做好病羊的防晒，保证营养均衡。羊肠毒血症病原体D型魏氏梭菌在羊只肠道内大量繁殖，产生毒素可引发本病，主要侵害1岁左右、膘情好的绵羊。雨季、气候骤变及过食大量青绿多汁饲料常可诱发本病，呈散发性。临床特征：突然发作，很少能见到症状，或在看出症状后突然倒地死亡；有症状的以抽搐为主，见四肢强烈划动，肌肉抽搐，眼球转动，磨牙，口鼻出沫，常于2～4小时内死亡；有的呈昏睡状，有的伴有腹泻，排黑色或深绿色粪便，3～4小时内静静地死去。病理剖检：肾脏表面充血，实质松软如泥，稍压即碎烂；小肠充血、出血，整个肠道呈血红色。防治措施：严格执行禁牧圈养制度，不要将羊只赶到户外，特别是草坡地上去放牧；每年春季接种羊三联（羊快疫、羊猝阻、羊肠毒血症）或羊四联（除前三联外，另加羔羊痢疾）；科学调整绵羊的饲料结构，切实防止过食青绿多汁饲料，加强运动，增强绵羊的体质；病程稍长的，可尝试用磺胺脒10～25克，并用青霉素160万单位、链霉素500毫克混合肌注，一日三次，有一定疗效 [7]。注意事项播报编辑1.2. 做好饲草、饲料的储备工作，保障供给。同时要选用良好的饲草调制和储存方法，以保证饲草料的质量。3. 喂草喂料时应准备简单草架和饲槽，减少饲草的浪费，以提高饲料的利用率。饲喂胡萝卜、土豆、甜菜等块茎块根多汁饲料，均要洗掉污泥等杂质，切碎后饲喂。不论干草、青贮或多汁饲料，如有霉烂变质，均不可用来饲喂。4. 不论实行何种饲养方式，都应做到精粗饲料定时饲喂。如是放牧饲养的绵羊，应实行早晚两次补饲，即早晨放牧前饲喂干草，傍晚时再饲喂精料，然后才给予适量的秸秆。5. 圈养的绵羊在夏秋季主饲喂豆科青草，如苜蓿、毛苕子、草木樨等，经切碎后饲喂。6. 避免用残汤剩饭饲喂绵羊，以免造成绵羊积食。7. 不论实行何种饲养方式，都应定期对绵羊进行防疫注射和投药驱虫。在绵羊感染消化道寄生虫病以后，春天特别容易发生痢疾、消瘦以致死亡的现象。因此，在秋冬季节应给予绵羊科学合理的饲养条件，以确保绵羊安全越冬过春，使其健康生长。8. 冬羔断奶后正值青草萌发，放牧青草即可，而早春断奶后采食青草的时间不长，便进入枯草季节，因此，冬季必须注意补饲。首先要保证给育成羊有足够的青干草吃，除放牧外，每天补给适量的混合饲料200克～250克。9. 要求育肥羊舍保持通风、干燥、温暖、卫生，并配备简易食槽、草架及饮水设施。如条件许可，对羔羊育肥圈舍加盖塑料棚进行暖棚饲养。10. 棚圈必须勤打扫、勤垫土。完全舍饲肥育者，每日饮水2次，一般上下午各1次。对放牧羔羊，一定要选较近的优良草地放牧，不可游走太远，以免能量消耗过大，影响肥育效果。世界纪录播报编辑新西兰羊1998年，史瑞克为了避免被剪羊毛，躲入了新西兰南岛的深山，在密林中生活了6年，直到2004年被女牧羊人安娜发现。它奇特的经历和重达27.5公斤的羊毛为它赢得了世界范围内的声誉。“史瑞克由于年龄太大而去世。”史瑞克的主人在接受媒体采访时表示。史瑞克的死让不少新西兰人感到悲伤，数万名史瑞克的粉丝在网络上表示悼念 [8]。澳大利亚羊澳大利亚2日发现一只“胖”得走不动路的羊，果断对它实施“解救行动”。剪羊毛的工人忙活了好久，竟然从此羊身上剪下40多公斤羊毛，足可织30件羊毛衫！澳大利亚首都堪培拉一家动物保护组织负责人塔米·芬·丹杰说，人们在堪培拉北郊发现这只名叫“克里斯”的羊，随后从它身上剪掉40.2公斤的羊毛，这才令它重新走得动路。据丹杰推测，“克里斯”至少有5年未曾剪毛，平时肯定是老躲着人群。如此一来，“克里斯”有望刷新世界纪录，成为全球单次剪羊毛量最多的羊。这一纪录先前由新西兰明星羊“大本钟”保持，它2014年曾被剪掉将近29公斤羊毛。新手上路成长任务编辑入门编辑规则本人编辑我有疑问内容质疑在线客服官方贴吧意见反馈投诉建议举报不良信息未通过词条申诉投诉侵权信息封禁查询与解封©2024 Baidu 使用百度前必读 | 百科协议 | 隐私政策 | 百度百科合作平台 | 京ICP证030173号 京公网安备110000020000CV待解决问题！华中科大提出OVIS：遮挡视频实例分割（数据集+代码） - 知乎
CV待解决问题！华中科大提出OVIS：遮挡视频实例分割（数据集+代码） - 知乎首发于CVer计算机视觉切换模式写文章登录/注册CV待解决问题！华中科大提出OVIS：遮挡视频实例分割（数据集+代码）CVer计算机视觉本文提出OVIS：遮挡视频实例分割的大规模数据集，即同时检测，分割和跟踪遮挡场景中的实例，共计25种语义类别，296k个高质量实例mask。这种问题目前学术界并没有很好的解决！数据集现已开源，代码即将开源！注1：文末附【图像分割】学习交流群注2：整理不易，这次一定！欢迎点赞支持！Occluded Video Instance Segmentation作者单位：华中科大, 阿里巴巴, 牛津大学等主页：OVIS论文：https://arxiv.org/abs/2102.01558当场景中存在严重遮挡时，我们的视频理解系统能否感知物体？为了回答这个问题，我们收集了一个称为OVIS的大规模数据集，用于遮挡视频实例分割，即同时检测，分割和跟踪遮挡场景中的实例。 OVIS包含来自25个语义类别的296k个高质量实例掩码，通常会发生物体遮挡。虽然我们的人类视觉系统可以通过上下文推理和关联来理解那些被遮挡的实例，但我们的实验表明，当前的视频理解系统并不令人满意。在OVIS数据集上，通过最新算法实现的最高AP只有14.4，这表明我们仍处于了解现实场景中的对象，实例和视频的新生阶段。此外，为了补充由遮挡引起的丢失物体提示，我们提出了一种即插即用模块，称为时间特征校准。基于MaskTrack R-CNN和SipMask，我们报告的AP分别为15.2和15.0。OVIS数据集已在http://songbai.site/ovis上发布，并且项目代码将很快可用。CVer-图像分割交流群建了CVer-图像分割交流群！想要进分割学习交流群的同学，可以直接加微信号：CVer6666。加的时候备注一下：图像分割+学校+昵称，即可。然后就可以拉你进群了。强烈推荐大家关注CVer知乎账号和CVer微信公众号，可以快速了解到最新优质的CV论文。推荐阅读VTN：视频Transformer网络基于深度学习的图像检索最新综述：全面调研T2T-ViT：在ImageNet上从头训练视觉Transformer深度学习中的3个秘密：集成，知识蒸馏和蒸馏国防科大提出CHPDet：任意方向的船舶检测84.7％！BoTNet：视觉识别的Bottleneck Transformers港中文提出ResLT：用于长尾识别的残差学习没有卷积！CPTR：用于图像描述的全Transformer网络华为诺亚提出：AdderNet及其极简硬件设计龙泉寺贤超法师：用AI为古籍经书识别、断句、翻译北邮提出PCA-Net：用于细粒度视觉分类的渐进式协同注意力网络SSTVOS：基于稀疏时空Transformers的视频目标分割网络南加大和Intel提出：基于注意力的图像上采样攻下SLAM！用于无监督视觉里程表的Transformer引导几何模型没有自然图像的预训练 | ACCV 2020 最佳论文提名奖基于深度学习的行人重识别(Re-ID)综述：全面调研（2015-2020）2020年最先进的3D医学图像分割方法Focal-EIOU Loss：用于精确边界框回归的高效IOU损失旷视提出Momentum^2 Teacher：用于自监督学习的具有动量统计的动量老师计算机视觉中的Transformer医学图像语义分割最佳方法的全面比较：U-Net和U-Net++生成对抗U-Net：实现Domain-free医学图像增广80GB 医学影像数据集发布！OCTA-500公开下载RepVGG：使VGG样式的ConvNets再次出色涨点神器！SoftPool：一种新的池化方法，带你起飞，代码已开源！又一篇视觉Transformer综述来了！深度神经网络中的池化方法：全面调研（1989-2020）涨点神器！IC-Conv：具有高效空洞搜索的Inception卷积一文快速回顾U-Net Family冠军解决方案！用于脑肿瘤分割的nnU-Net改进发布于 2021-02-03 14:52计算机视觉数据集图像分割赞同 33添加评论分享喜欢收藏申请转载文章被以下专栏收录CVer计算机视觉CVer：一个专注于分享计算机视觉
OVIS-光谷康桥外籍人员子女学校
OVIS-光谷康桥外籍人员子
OVIS数据集代码解析 - 知乎
OVIS数据集代码解析 - 知乎切换模式写文章登录/注册OVIS数据集代码解析RainboWu731OVIS数据集格式整体和COCO类似，但是是以video的形式存储的，对应的解析代码见：https://github.com/qjy981010/cocoapi/blob/main/PythonAPI/pycocotools/ovis.py。由于OVIS仅train提供了标注，因此，这里均以train进行说明。1.init函数创建一些字典，包括dataset、anns、cats、vids以及vidToAnns、catToVids。其中dataset是原始标注数据，由json文件读取得到。 这里对其进行详细说明dataset包括5个key：info: 主要是存储一些meta信息，如下：❝ 'description': 'OVIS''url': 'http://songbai.site/ovis/''version': '1.0''year': 2021'contributor': 'youku''date_created': '2021-01-01' ❞licenses: 存储licenses信息。 categories: 类别信息。OVIS一共包括25个类别，每个类别包括三个信息：supercategory表示该类别的超类，OVIS都设置为object，id表示该类别的id，而name则是该类别的字符串名称。 具体类别及对应实例数目如下： 可以看出，person是主要类别。 videos: 视频详细信息。训练集一共包含607段视频，每段视频的信息以一个字典构成，因此，videos是一个长为607的列表。 每个视频信息字典包含6个基本属性： width: 视频的宽height: 视频的长license: license idfile_names: 对应图片的相对路径，例如'85aa3b0e/img_0000001.jpg'，说明该图片位于85aa3b0e视频文件夹下，图片名称为img_0000001.jpgid: 视频idlength: 该视频采样得到的图片数目annotations: 该视频中所有标注实例的信息。这里和coco存在一定差异。由于OVIS是一个视频数据集，这里的实例是针对视频进行描述的。例如一个视频假设有500帧，某一个人物在这个视频中出现了，那么该人物就是一个实例，其在该视频中500帧图片中的实例id都是一致的。这里的标注就是采用以上设置给出的。每个实例标注由一个字典表示。每个字典有11个基本属性： length: 数值全为1，不太清楚具体含义category_id: 该实例的类别idvideo_id: 该实例对应所在的视频idiscrowd: 这里的iscrowd应该和coco不太一样，不用于区分segmentation的类别。（在coco中，iscrowd=0时意味着segmentation的格式为polygon，iscrowd=1时则意味着segmentation的格式为rle）id: 该实例对应的idheight: 视频帧的长width: 视频帧的宽segmentations: 该实例的mask标注信息，每一帧都会给出对应的标注，如果当前帧没有该实例，则为None。这里的标注信息以字典形式给出： size: 该标注对应的[height, width]，用于rle解码counts: rle编码bboxes: 该实例的bbox标注信息，每一帧都会给出对应的标注。这里的标注以四元组 (x, y, h, w) 形式给出，其中 (x,y) 是左上角坐标。areas: 该实例对应的bbox的面积，每一帧都给出。occulusion: 该实例的遮挡情况，分为三类no occlusion, slight occlusion 以及 severe occlusion，具体说明可参考原论文。其余字典（anns、cats、vids以及vidToAnns、catToVids）则是通过createIndex进行填充。2. createIndex该函数主要是用于填充在init中创建的一些属性字典。for ann in self.dataset['annotations']:
vidToAnns[ann['video_id']].append(ann)
anns[ann['id']] = ann
vidToAnns: key为视频的id，而value则为一个列表，里面存储了视频id为key的所有实例信息。 anns: key为实例的id，而value即为该实例。for vid in self.dataset['videos']:
vids[vid['id']] = vid
vids: key为视频id，而value即为该视频信息。for cat in self.dataset['categories']:
cats[cat['id']] = cat
cats: key为类别id，而value即为该类别信息。for ann in self.dataset['annotations']:
catToVids[ann['category_id']].append(ann['video_id'])
catToVids: key是类别id，而value则为一个列表，里面存储了类别id为key的所有视频id。3. 一些常用函数的使用3.1 getAnnIdsdef getAnnIds(self, vidIds=[], catIds=[], areaRng=[], iscrowd=None):
"""
Get ann ids that satisfy given filter conditions. default skips that filter
:param vidIds (int array) : get anns for given vids
catIds (int array) : get anns for given cats
areaRng (float array) : get anns for given area range (e.g. [0 inf])
iscrowd (boolean) : get anns for given crowd label (False or True)
:return: ids (int array) : integer array of ann ids
"""
这个函数的作用在于在给定视频id列表、类别id列表、面积约束范围以及是否包括crowd实例的情况下，输出对应满足条件的ann id。 其大致逻辑是：根据给定的视频id，通过vidToAnns来获取所有的实例信息。根据类别id、面积约束范围以及是否包含crowd实例来对得到的实例信息进行筛选。最终返回所有实例对应的id。3.2 getCatIdsdef getCatIds(self, catNms=[], supNms=[], catIds=[]):
"""
filtering parameters. default skips that filter.
:param catNms (str array) : get cats for given cat names
:param supNms (str array) : get cats for given supercategory names
:param catIds (int array) : get cats for given cat ids
:return: ids (int array) : integer array of cat ids
"""
这个函数的作用在于在给定类别名称列表、类超类类别名称列表以及类别id列表的情况下，输出对应满足条件的类别id。3.3 getVidIdsdef getVidIds(self, vidIds=[], catIds=[]):
'''
Get vid ids that satisfy given filter conditions.
:param vidIds (int array) : get vids for given ids
:param catIds (int array) : get vids with all given cats
:return: ids (int array) : integer array of vid ids
'''
这个函数的作用在于在给定视频id列表以及类别id列表的情况下，输出对应满足条件的类别id。3.4 loadAnns, loadCats and loadVids这些函数的作用都相近，都是根据提供对应的id列表来获取对应的信息，包括标注、类别以及视频等。3.5 annToRLE以及annToMask这两个函数一般使用annToMask，用于将ann转化为对应的binary mask，而annToRLE则是用于对ann进行转化。def annToRLE(self, ann, frameId):
"""
Convert annotation which can be polygons, uncompressed RLE to RLE.
:return: binary mask (numpy 2D array)
"""
t = self.vids[ann['video_id']]
h, w = t['height'], t['width']
segm = ann['segmentations'][frameId]
if type(segm) == list:
# polygon -- a single object might consist of multiple parts
# we merge all parts into one mask rle code
rles = maskUtils.frPyObjects(segm, h, w)
rle = maskUtils.merge(rles)
elif type(segm['counts']) == list:
# uncompressed RLE
rle = maskUtils.frPyObjects(segm, h, w)
else:
# rle
rle = segm
return rle
def annToMask(self, ann, frameId):
"""
Convert annotation which can be polygons, uncompressed RLE, or RLE to binary mask.
:return: binary mask (numpy 2D array)
"""
rle = self.annToRLE(ann, frameId)
m = maskUtils.decode(rle)
return m
4. 解析代码这里提供一份用于提取某个特定类别数据的代码，例如以下代码可以提取Person这个类别：import cv2
import os.path
import numpy as np
from tqdm import tqdm
# https://github.com/qjy981010/cocoapi/blob/main/PythonAPI/pycocotools/ovis.py
from ovis import OVIS
# a tool function for parallel work
from parallel_work import parallel_work
PALETTE = [(220, 20, 60), (119, 11, 32), (0, 0, 142), (0, 0, 230), (106, 0, 228),
(0, 60, 100), (0, 80, 100), (0, 0, 70), (0, 0, 192), (250, 170, 30),
(100, 170, 30), (220, 220, 0), (175, 116, 175), (250, 0, 30),
(165, 42, 42), (255, 77, 255), (0, 226, 252), (182, 182, 255),
(0, 82, 0), (120, 166, 157), (110, 76, 0), (174, 57, 255),
(199, 100, 0), (72, 0, 118), (255, 179, 240), (0, 125, 92),
(209, 0, 151), (188, 208, 182), (0, 220, 176), (255, 99, 164),
(92, 0, 73), (133, 129, 255), (78, 180, 255), (0, 228, 0),
(174, 255, 243), (45, 89, 255), (134, 134, 103), (145, 148, 174),
(255, 208, 186), (197, 226, 255), (171, 134, 1), (109, 63, 54),
(207, 138, 255), (151, 0, 95), (9, 80, 61), (84, 105, 51),
(74, 65, 105), (166, 196, 102), (208, 195, 210), (255, 109, 65),
(0, 143, 149), (179, 0, 194), (209, 99, 106), (5, 121, 0),
(227, 255, 205), (147, 186, 208), (153, 69, 1), (3, 95, 161),
(163, 255, 0), (119, 0, 170), (0, 182, 199), (0, 165, 120),
(183, 130, 88), (95, 32, 0), (130, 114, 135), (110, 129, 133),
(166, 74, 118), (219, 142, 185), (79, 210, 114), (178, 90, 62),
(65, 70, 15), (127, 167, 115), (59, 105, 106), (142, 108, 45),
(196, 172, 0), (95, 54, 80), (128, 76, 255), (201, 57, 1),
(246, 0, 122), (191, 162, 208)]
def load_mask_from_person_video_ids(person_video_ids, ovis, person_cat_id, target_dir):
for video_id in person_video_ids:
video_info = ovis.vids[video_id]
height, width, length = video_info['height'], video_info['width'], video_info['length']
video_anns = ovis.vidToAnns[video_id]
person_anns = [anns for anns in video_anns if anns['category_id'] == person_cat_id]
for frame_id in tqdm(range(length)):
frame_mask = np.zeros((height, width), dtype=np.uint8)
for ann in person_anns:
if ann['segmentations'][frame_id] is None:
continue
mask = ovis.annToMask(ann, frame_id)
mask_id = max(np.unique(frame_mask)) + 1
frame_mask = np.where(mask > 0, mask_id, frame_mask)
if len(np.unique(frame_mask)) > 0:
file_path = video_info['file_names'][frame_id]
video_name, frame_name = file_path.split('/')
os.makedirs(os.path.join(target_dir, video_name), exist_ok=True)
cv2.imwrite(os.path.join(target_dir, video_name, frame_name.replace('jpg', 'png')), frame_mask)
def load_mask_from_ovis(ovis_root):
subsets = ['train']
for subset in subsets:
target_dir = os.path.join(ovis_root, 'labels', subset)
os.makedirs(target_dir, exist_ok=True)
json_file = os.path.join(ovis_root, f'annotations_{subset}.json')
ovis = OVIS(json_file)
# get person cat id
person_cat_id = ovis.getCatIds(catNms=['Person'])[0]
print(person_cat_id)
# get person video ids
person_video_ids = ovis.getVidIds(catIds=person_cat_id)
print(person_video_ids)
parallel_work(person_video_ids, load_mask_from_person_video_ids, ovis, person_cat_id, target_dir)
def visualization_label_files(label_files, target_dir):
for root, file in label_files:
video_name = root.split('/')[-1]
os.makedirs(os.path.join(target_dir, video_name), exist_ok=True)
raw_mask = cv2.imread(os.path.join(root, file), 0)
h, w = raw_mask.shape[:2]
color_mask = np.zeros((h, w, 3))
instance_ids = np.unique(raw_mask)[1:]
for instance_id in instance_ids:
ci = int(instance_id) % len(PALETTE)
color_mask[:, :, 0][raw_mask == instance_id] = PALETTE[ci][0]
color_mask[:, :, 1][raw_mask == instance_id] = PALETTE[ci][1]
color_mask[:, :, 2][raw_mask == instance_id] = PALETTE[ci][2]
cv2.imwrite(os.path.join(target_dir, video_name, file), color_mask)
def visualization(ovis_root):
subsets = ['train']
for subset in subsets:
label_dir = os.path.join(ovis_root, 'labels', subset)
target_dir = os.path.join(ovis_root, 'visualizations', subset)
label_files = []
for root, dirs, files in os.walk(label_dir):
for file in tqdm(files, total=len(files)):
if file.endswith('png'):
label_files.append((root, file))
parallel_work(label_files, visualization_label_files, target_dir)
if __name__ == '__main__':
ovis_root = '/data/data/segmenation/instance_segmentation/OVIS'
load_mask_from_ovis(ovis_root)
visualization(ovis_root)
parallel_work是一个工具函数：import numpy as np
import multiprocessing
def parallel_work(datas, worker, *args):
n_cpu = multiprocessing.cpu_count()
print('n_cpu', n_cpu)
num_data = len(datas)
stride = int(np.ceil(num_data / n_cpu))
processes = []
for i in range(n_cpu):
end = min((i + 1) * stride, num_data)
worker_data = datas[i * stride:end]
process = multiprocessing.Process(
target=worker,
args=(worker_data, *args),
)
processes.append(process)
process.start()
for process in processes:
process.join()发布于 2022-11-23 21:38・IP 属地北京深度学习（Deep Learning）开源数据集实例分割赞同添加评论分享喜欢收藏申请
华科团队发布 OVIS 遮挡视频实例分割基准数据集_遮挡实例分割-CSDN博客
>华科团队发布 OVIS 遮挡视频实例分割基准数据集_遮挡实例分割-CSDN博客
华科团队发布 OVIS 遮挡视频实例分割基准数据集
最新推荐文章于 2024-03-06 07:45:59 发布
HyperAI超神经
最新推荐文章于 2024-03-06 07:45:59 发布
阅读量1k
收藏
3
点赞数
文章标签：
算法
计算机视觉
人工智能
机器学习
深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/HyperAI/article/details/113903864
版权
内容提要：实例分割可广泛应用于各种应用场景中，作为计算机视觉领域的一个重要研究方向，也具有较大难度与挑战性。而很多场景中由于遮挡情况，使得实例分割成为难题中的难题。近日，来自华中大、阿里等机构的研究人员，为了解决这一问题，提出了一个大规模遮挡视频实例分割数据集 OVIS。
原创：HyperAI超神经
关键词：遮挡视频 实例分割 计算机视觉
在计算机视觉中，目标检测是最核心的问题，在目标检测中，实例分割又被看做是一项最具挑战的任务。实例分割，就是在目标检测的基础上，分割出物体的像素。
物体间常常存在相互遮挡，这也成为了工程师们头疼的问题。我们人类看到被遮挡的物体，能够凭借经验或联想识别出来。
那么，在计算机视觉中，能否像人类一样，准确识别出被遮挡物体呢？在实例分割这一研究命题里，解决遮挡带来的干扰，一直是重要的研究方向。
理想中的实例分割
实际中的实例分割
为了解决这一难点，来自华中科技大学、阿里巴巴、康奈尔大学、约翰霍普金斯大学以及牛津大学的团队，收集了一个用于遮挡视频实例分割的大规模数据集 OVIS（Occluded Video Instance Segmentation ），可用于同时检测、分割和跟踪遮挡场景中的实例。
数据集中的目标对象主要包括动物、人、交通工具等常见类别
这是继谷歌 YouTube-VIS 数据集之后，第二个大规模遮挡视频实例分割数据集。
OVIS：诞生于 901 段严重遮挡视频
对于我们平时目之所及的一切，几乎很少有物体孤立地出现，都或多或少存在遮挡情况。不过，研究表明，对于人类视觉系统来说，在遮挡情况下依然能区别目标对象的实际边界，而对于计算机视觉系统来说，就成为了一个大难题，也就是遮挡视频实例分割问题。
为了进一步探索并解决这一问题，来自华科、阿里等机构的团队，试图在原有开源的实例分割算法上，开发出更优的模型。
为了完成这项工作，团队首先收集了 OVIS 数据集，专门用于遮挡场景中的视频实例分割。在最近发表的论文《Occluded Video Instance Segmentation》中，详细介绍了这一数据集。
遮挡视频实例分割
论文地址：https://arxiv.org/pdf/2102.01558.pdf
为了收集该数据集，团队一共采集了近万段视频，并最终从中挑选出了 901 段遮挡严重、运动较多、场景复杂的片段，每段视频都至少有两个相互遮挡的目标对象。
其中大部分视频分辨率为 1920x1080，时长在 5s 到 60s 之间。他们按每 5 帧标注一帧的密度，进行了高质量标注，最终得到了 OVIS 数据集。
OVIS 共包含 5223 个目标对象的 296k 个高质量 mask 标注。相比之前谷歌 Youtube-VIS 数据集的 4883 个目标对象以及 131k masks 标注，OVIS 显然拥有更多的 目标对象和 masks 标注。
不过，OVIS 使用的视频实际上少于 YouTube-VIS，因为团队的理念倾向于时长更长的视频，以实现长期跟踪功能。OVIS 的平均视频时长和平均实例时长分别为 12.77s 和 10.55s，对应的，YouTube-VIS 这两个参数分别是 4.63s 和 4.47s。
OVIS 数据集与 YouTube-VIS 数据集相关参数对比
团队为了使遮挡视频实例分割的任务更具挑战性，牺牲了一定的视频段数，标注了更长、更复杂的视频。
OVIS 数据集共包含 25 种生活中常见的类别，如下图所示，具体种类包括：人，鱼，车辆，马，羊，斑马，兔子，鸟，家禽，大象，摩托车，狗，猴子，船，乌龟，猫，牛，鹦鹉，自行车，长颈鹿，老虎，大熊猫，飞机，熊和蜥蜴。
这 25 个类别均为常见的语义类别
之所以选择这些类别，主要是考虑到以下三点：
这些目标往往处于运动状态，也更容易发生严重的遮挡； 它们在生活中很常见； 这些类别与目前流行的大型图像实例分割数据集（如 MS COCO，LVIS，Pascal VOC 等）有很高的重叠，因此方便研究人员进行模型的迁移和数据的复用。
与先前的其他 VIS 数据集相比，OVIS 数据集最显著的特点在于，很大一部分物体，都因不同因素被严重遮挡。因此，OVIS 是评估视频实例分割模型处理严重遮挡的有效测试平台。
为了量化遮挡的严重程度，团队提出了一个指标 mean Bounding-box Overlap Rate (mBOR)来粗略的反映遮挡程度。mBOR 指图像中边界框重叠部分的面积占所有边界框面积的比例。从参数对比列表中可以看出，相比于 YouTube-VIS，OVIS 有着更严重的遮挡。
OVIS 数据集详细信息如下：
Occluded Video Instance Segmentation
遮挡视频实例分割数据集
数据来源：《Occluded Video Instance Segmentation》
包含数量：5223 个目标对象，296k 个 masks
种类数量：25 种
数据格式：框架：jpg；注释：Json
视频分辨率：1920×1080
数据大小：12.7 GB
下载地址：https://hyper.ai/datasets/14585
OVIS 对视频实例分割提出更高基准
OVIS 数据集被随机分为 607 个训练视频、140 个验证视频和 154 个测试视频。团队在 OVIS 上对 5 种现有的开源视频实例分割算法，进行了综合评估，同时这也是对 OVIS 数据集的基线性能进行基准测试。
评估结果如下表所示：
在 OVIS 验证和测试集上，各个方法的定量比较
在 YouTube-VIS 验证集上各方法表现
与 YouTube0-VIS 相比，FEELVOS、IoUTracker+、MaskTrack R-CNN、SipMask 以及 STEm-Seg 五种算法，在 OVIS 上的性能都至少下降了 50%。比如，SipMask 的 AP 从 32.5 降到 12.1，而 STEm-Seg 从 30.6 降到 14.4。这些结果都在提醒研究者们，应进一步关注视频实例分割问题。
此外，团队通过使用校准模块，在原有算法基础上，显著提高了其性能。其开发的 CMaskTrack R-CNN 比原算法 MaskTrack R-CNN 的 AP 改善了 2.6，从 12.6 提升至 15.2，CSipMask 比 SipMask 改善了 2.9，从 12.1 提升至 15.0。
CMaskTrack R-CNN 在 OVIS 上的定性评价，每行显示视频序列中 5 帧的结果
在上图的图（c）中，鸭群比较拥挤的场景下，团队的方法几乎正确检测和跟踪了所有的鸭子，不过第二帧最左边的一个鸭子检测失败。不过，在之后的帧中，这只鸭子又被重新跟踪，证明团队的模型很好地捕获了时间线索。
团队又在 YouTube-VIS 数据集上进一步评估了他们提出的 CMaskTrack R-CNN 和 CSipMask 算法，结果与原方法相比，在 AP 上都超越了原方法。
未来应用：视频全景分割、合成遮挡数据
团队表示，常用的视频分割算法在 OVIS 的基线表现，远远低于在 YouTube-VIS 上的表现，这表明未来，研究者应该在遮挡视频对象处理上投入更多精力。
此外，团队利用时态上下文线索，探索了解决遮挡问题的方法，将来，团队将在无监督、半监督或交互式设置下，在视频对象分割场景中，将 OVIS 的实验轨迹形式化。另外，将 OVIS 扩展到视频全景分割也是至关重要的（注：视频全景分割即同时实现对背景的语义分割和前景的实例分割，这是实例分割领域近来的新趋势）。
背景对目标对象造成遮挡，这会影响算法对背景的预测
此外，合成遮挡数据也是团队需要进一步探索的方向。团队表示，相信 OVIS 数据集将引发更多在复杂和多样场景下理解视频的研究。
这一技术未来在影视剧特效、短视频、直播中，人物与背景的分离工作中都将起到重要作用。
参考资料：
论文地址：https://arxiv.org/pdf/2102.01558.pdf
项目官网：http://songbai.site/ovis/
谷歌 YouTube-VIS 数据集：
https://youtube-vos.org/dataset/vis/
—— 完 ——
扫描二维码，加入讨论群
获得更多优质数据集
了解人工智能落地应用
关注顶会&论文
回复「读者」了解详情
更多精彩内容（点击图片阅读）
优惠劵
HyperAI超神经
关注
关注
0
点赞
踩
3
收藏
觉得还不错?
一键收藏
知道了
0
评论
华科团队发布 OVIS 遮挡视频实例分割基准数据集
By 超神经内容提要：实例分割可广泛应用于各种应用场景中，作为计算机视觉领域的一个重要研究方向，也具有较大难度与挑战性。而很多场景中由于遮挡情况，使得实例分割成为难题中的难题。近日，来自华...
复制链接
扫一扫
行人数据集部分遮挡2-2
04-13
行人数据集部分遮挡
含遮挡人脸库
09-26
图片库包含 有墨镜遮挡的男性、女性照片各50张
有帽子遮挡的男性31张、女性68张照片
图片源自网络
适合人脸识别、深度学习领域项目，可用于进行遮挡物判断
参与评论
您还未登录，请先
登录
后发表或查看评论
YouTube视频数据集.zip
06-16
YouTube视频数据集.zip
实例分割coco标注数据集.zip
06-16
实例分割coco标注数据集.zip
CVPR 2021 | 港科大&快手提出BCNet：双层遮挡感知的实例分割
阿木寺的博客
05-22
1911
”双图层实例分割物体的互相遮挡在日常生活中普遍存在，严重的遮挡易带来易混淆的遮挡边界及非连续自然的物体形状，从而导致当前已有的检测及分割等的算法性能大幅下降。本文通过将图像建模为两个重叠图...
OVIS数据集代码解析
小毛激励我好好学习的博客
11-23
802
OVIS数据集格式整体和COCO类似，但是是以video的形式存储的，对应的解析代码见：https://github.com/qjy981010/cocoapi/blob/main/PythonAPI/pycocotools/ovis.py。由于OVIS仅train提供了标注，因此，这里均以train进行说明。
Occluded-REID 行人重识别中的遮挡数据集
qq_43589560的博客
07-06
3960
Occluded-REID dataset
在这篇论文中《OCCLUDED PERSON RE-IDENTIFICATION》首次制作的行人遮挡数据集。由移动相机拍摄的200个遮挡行人的2000张图像组成。每个ID由5张全身图片和5张遮挡图片组成。行人图像都被reseize成 128 × 64的大小。
P-DukeMTMC-reID dataset
该遮挡行人数据集是从DukeMTMC-reID dataset数据集人工挑选出来的，该数据集有1299个ID总共24143张图片。
P-ETHZ ...
实例分割中物品遮挡数据增强实现
weixin_38241876的博客
10-08
466
import os
import cv2
import numpy as np
def proces(img,mask):
maskcopy = mask.copy()
indexs = np.array(np.where(mask > 0)[:-1])
x1 = np.min(indexs[1])
y1 = np.min(indexs[0])
x2 = np.max(indexs[1])
y2 = np.max(indexs[0])
w .
遮挡场景下视频实例分割怎么做？牛津阿里最新开源OVIS数据集！
阿木寺的博客
02-18
1128
点击上方“CVer”，选择加"星标"置顶重磅干货，第一时间送达本文系CVer粉丝投稿，欢迎大家分享优质的工作本文介绍一下我们最近公开的视频实例分割数据集OVISOcclud...
【人脸识别】人脸遮挡算法程序+数据集制作全过程
shangpapa3的博客
11-04
6404
一 Keras实现人脸遮挡学习
在进行人脸识别前，人脸质量评估也是不可或缺的一步，主要分为三个关键部分：人脸姿态评估，人脸遮挡评估，人脸清晰度评估．人脸遮挡部分，参考了大神的方法，如下：
https://www.jianshu.com/p/88986c27546a
https://github.com/Oreobird/Face-Occlusion-Detect
该方法使用的是cofw...
行人数据集部分遮挡2-1
04-13
行人数据集部分遮挡
ovis：OVIS高性能计算监视，分析和可视化项目
02-03
OVIS / LDMS OVIS是用于HPC数据收集，传输，存储，日志消息浏览以及可视化和分析的模块化系统。 LDMS是一种低开销，低延迟的框架，用于在大型分布式计算机系统上收集，传输和存储度量标准数据。 该框架包括： 具有...
sosdb-ui:用于OVIS Web GUI和绘图功能的Django项目
05-28
概述 这是用于SOS Web GUI和绘图功能的Django项目。 它依赖于sosdb> = 3， django和django-cors-headers （通过python pip安装是最简单的）。 安装依存关系 "Development Tools" autoconf automake ...
ReconhecedorDeFaceDeDado：签证签证协调员或视频采访优胜者视频
02-19
达多人脸识别视频节目的简单性，以及视频的上级面Kong。 N1大学教授VisãoVisão的Arlindo da PucGoiásda disciplina。范例
Unraveling complexity in interspecies interaction through nonlinear dynamical models
02-21
Using data from GPS positions of sheep (Ovis aries) and red deer (Cervus elaphus) grazing a moorland plot, we modeled the animal movement of each species as a function of the distance between ...
OGRE3D引擎(OGRESDKforVisualC2012)v1.9.0RC1官方版64bit
07-31
OGRE 3D引擎(OGRE SDK for Visual C 2012)是一款用C 开发的开源图形渲染引擎，它像Linux系统一样，被各种不同的团体和组织改造和扩充，并使它能够适应不同的应用领域和拥有更强大的功能。OGRE 3D旨在让开发人员更...
代码随想录算法训练营（动态规划10，11 ，12 股票问题）| 121. 买卖股票的最佳时机 & 122.买卖股票的最佳时机II
he979731102的博客
03-04
475
动态规划10，11, 12 股票问题）| 121. 买卖股票的最佳时机 & 122.买卖股票的最佳时机II
基础二分学习笔记
ros275229的博客
03-02
299
基础二分学习笔记
96. 不同的二叉搜索树
最新发布
weixin_45256307的博客
03-06
318
96. 不同的二叉搜索树
rtabmap定位模式怎么设置
05-17
RTAB-Map是一种基于概率图优化的SLAM算法，可以用于建立环境地图和定位机器人。在RTAB-Map中，有三种定位模式可以选择：
1. Odometry模式：机器人的位姿是根据里程计信息计算出来的，没有使用传感器数据来进行校正。在这种模式下，机器人的定位精度通常较低。
2. Vision模式：机器人的位姿是根据图像数据通过视觉里程计计算出来的。在这种模式下，机器人的定位精度通常较高，但需要相机和计算能力较强的计算设备。
3. Localization模式：机器人的位姿是通过匹配地图和传感器数据来进行校正的。在这种模式下，机器人的定位精度通常较高，但需要预先建立地图。
在RTAB-Map中，定位模式可以通过launch文件进行设置。下面是一个例子：
```
```
其中，``即为设置定位模式的参数，`$(arg odom_type)`为参数变量，可以在launch文件中进行设置。如果需要选择Vision模式或Localization模式，则将`$(arg odom_type)`分别设置为`"RGBD"`和`"RGBD"`即可。
“相关推荐”对你有帮助么？
非常没帮助
没帮助
一般
有帮助
非常有帮助
提交
HyperAI超神经
CSDN认证博客专家
CSDN认证企业博客
码龄5年
暂无认证
637
原创
3564
周排名
1282
总排名
126万+
访问
等级
1万+
积分
3162
粉丝
2700
获赞
630
评论
4091
收藏
私信
关注
热门文章
女朋友总是生气，读懂女朋友，直男真的不如算法？
66916
TensorFlow 2.1.0 来了，重大更新与改进了解一下
26193
谷歌新一轮裁员，云计算部门 50 人首当其冲
25949
明年，我要用 AI 给全村写对联
25741
进 4 球得 1 分，阿根廷败北背后的科技与狠活
21066
分类专栏
ScienceAI
68篇
TVM
32篇
人工智能
34篇
科技大厂的商业帝国
4篇
PyTorch
27篇
人物
2篇
2023 Meet TVM
4篇
IJCAI YES 2023
1篇
Women TechMakers
3篇
机器学习编译
最新评论
科罗拉多州立大学发布CSU-MLP模型，用随机森林预测中期恶劣天气
2401_83084820:
文章拜读谢谢分享
迁移学习帮大忙！成都理工大学搭建 SCDUNet++ 模型进行滑坡测绘
森爱。:
博主 你同一段话说了两遍
龙泉寺贤超法师：用 AI 为古籍经书识别、断句、翻译
2301_78389786:
请问贤超法师的古文工具箱开源了吗
AI「鸟口普查」，康奈尔大学利用深度学习分析北美林莺分布
简单简单小白:
感谢博主的优质好文，文章细节很到位，兼顾实用性和可操作性，感谢博主的分享，期待博主持续带来更多好文！
华东理工李洪林课题组开发 Macformer，加速大环类药物发现
鬼谷尊:
未来是不是都是transformer的天下，先有vit，后又有这么厉害的结果。还有其他方向的应用利用transformer结构的嘛
大家在看
input输入框的23中类型
英语 翻译 时态及语法检查 句子分层结构 例句 讯飞星火远远超越GPT4 AI大模型测评
551
[Buuctf] Younter_drive
74
ROS篇——Debian12通过源码安装ros-noetic
DHCP部署与安全
最新文章
HyperAI超神经 x DT新材料丨AI技术在化学与材料科学科研中应用研讨会开启报名
内含教程丨音色克隆模型 GPT-SoVITS，5 秒语音就能克隆出相似度 95% 的声音
Relay BNNS 集成
2024
03月
6篇
02月
21篇
01月
19篇
2023年172篇
2022年20篇
2021年82篇
2020年230篇
2019年174篇
目录
目录
分类专栏
ScienceAI
68篇
TVM
32篇
人工智能
34篇
科技大厂的商业帝国
4篇
PyTorch
27篇
人物
2篇
2023 Meet TVM
4篇
IJCAI YES 2023
1篇
Women TechMakers
3篇
机器学习编译
目录
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
祝福语
请填写红包祝福语或标题
红包数量
个
红包个数最小为10个
红包总金额
元
红包金额最低5元
余额支付
当前余额3.43元
前往充值 >
需支付：10.00元
取消
确定
下一步
知道了
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝
规则
hope_wisdom 发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额
0
抵扣说明：
1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。
余额充值
羊属_百度百科
度百科 网页新闻贴吧知道网盘图片视频地图文库资讯采购百科百度首页登录注册进入词条全站搜索帮助首页秒懂百科特色百科知识专题加入百科百科团队权威合作下载百科APP个人中心收藏查看我的收藏0有用+10羊属播报讨论上传视频牛科羊属动物本词条由“科普中国”科学百科词条编写与应用工作项目 审核 。羊属（学名：Ovis）是哺乳纲偶蹄目牛科羊亚科以下的一个属，又叫盘羊属，下面大约有以下几个种，摩佛伦羊种，中亚赤羊种，盘羊种，绵羊种，大角羊种，细角羊种，雪羊种。中文名羊属拉丁学名Ovis界动物界门脊索动物门亚 门脊椎动物亚门纲哺乳纲亚 纲真兽亚纲目偶蹄目亚 目反刍亚目科牛科亚 科羊亚科属羊属种7种学 科生命科学目录1简介2历史3形态特征4习性5羊亚科6山羊7盘羊简介播报编辑羊属(5张)羊属（学名：Ovis）是哺乳纲偶蹄目牛科羊亚科以下的一个属，又叫盘羊属，下面大约有以下几个种，摩佛伦羊种，中亚赤羊种，盘羊种，绵羊种，大角羊种，细角羊种，雪羊种。均为反刍动物。一般认为，家羊是中亚或西南亚的野生摩弗伦羊的后代。历史播报编辑世界上数量最多一种羊就是家养的绵羊，最大的种群在中国和澳大利亚。体长1.2-1.8米，尾长7-15厘米，雄性肩高可达1.2米，体重75-200公斤。动物学者在野外没有见到家羊（Ovisaries），可能它已在野外绝迹，但发掘出的公元前五千年人类定居点中有家羊的骨头 [1]。形态特征播报编辑羊(5张)体躯丰满而较宽，头短．公羊体重约52kg，角大，圆弧形弯曲呈螺旋状，外缘钝厚，弧长约18cm，内缘扁薄，表面灰褐色，具较粗的横凹纹埘羊体重约50kg，尤角或细小。唇薄灵活，四肢强健。尾有瘦长尾、脂尾、短尾、肥尾之分。体被绵密长毛，柔软而卷曲，多白色。习性播报编辑羊是牛科动物中比较矮壮的一类。羊的脸部和后脚长有味腺，是很重要的性信号，通过对味腺的察觉，公羊可以闻出繁殖能力强并处于发情期的母羊，并和它进行交配。气味也被用于划分领地。羊的胃有四室，是反刍动物。绵羊的毛、奶和肉一直以来都被人类使用 [1]。羊亚科播报编辑羊亚科是一个多样化的类群，有羊羚、麝牛、山羊、绵羊等。通常两性均有角，雌性角较小。亚科成员的体长差异很大，从体长约1m的斑羚到约2.5m的麝牛 [2]。鼻吻部狭窄被毛，上臼齿齿冠狭窄，无显著的内柱。它们的社会行为多样：从独居的领域性的种，具有像匕首一样的角，以保卫用气味标记的小的家域；到营社会生活的草食种，大群生活，在广大的开阔地上游荡，具有用于冲撞争斗的角，用于确立优势等级。羊亚科共有13属，其中8属分布于中国 [2]。山羊播报编辑山羊，体型中等，两性都有角，但雄性的角要长很多,有的长度超过1m，雄性角表面具有宽的横脊，雌性角表面光滑。无眶下腺，只有前肢有趾腺。头骨顶端突起,额部扁平而倾斜。泪骨无窝，几乎与鼻骨一样平 [3]。盘羊播报编辑盘羊又名大头羊，姿态雄伟，体形中等，体长130—160厘米，体重50—100千克。头大颈粗，尾短小...四肢粗短，蹄前特别陡直，适于攀爬山岩。雌雄均有角，雄羊角硕大，呈螺旋状扭曲一圈多，角外侧有明显窄环棱，雄盘羊角自头顶长出后，略向外侧后上方延伸，再向后下方及前方弯转，角尖最后又微微往外上方卷曲，形成明显螺旋状，角基粗大浑圆，角尖段则呈刀片状，角长达145厘米左右，背部及侧面呈暗棕色，下腹部及鼠蹊部为白色，臀部有白斑 [4]。新手上路成长任务编辑入门编辑规则本人编辑我有疑问内容质疑在线客服官方贴吧意见反馈投诉建议举报不良信息未通过词条申诉投诉侵权信息封禁查询与解封©2024 Baidu 使用百度前必读 | 百科协议 | 隐私政策 | 百度百科合作平台 | 京ICP证030173号 京公网安备110000020000华科团队发布 OVIS 遮挡视频实例分割基准数据集-CSDN博客
>华科团队发布 OVIS 遮挡视频实例分割基准数据集-CSDN博客
华科团队发布 OVIS 遮挡视频实例分割基准数据集
最新推荐文章于 2024-03-04 18:10:26 发布
湾区人工智能
最新推荐文章于 2024-03-04 18:10:26 发布
阅读量465
收藏
3
点赞数
文章标签：
算法
计算机视觉
人工智能
机器学习
深度学习
原文链接：http://songbai.site/ovis/
版权
By 超神经
内容提要：实例分割可广泛应用于各种应用场景中，作为计算机视觉领域的一个重要研究方向，也具有较大难度与挑战性。而很多场景中由于遮挡情况，使得实例分割成为难题中的难题。近日，来自华中大、阿里等机构的研究人员，为了解决这一问题，提出了一个大规模遮挡视频实例分割数据集 OVIS。
关键词：遮挡视频 实例分割 计算机视觉
在计算机视觉中，目标检测是最核心的问题，在目标检测中，实例分割又被看做是一项最具挑战的任务。实例分割，就是在目标检测的基础上，分割出物体的像素。
物体间常常存在相互遮挡，这也成为了工程师们头疼的问题。我们人类看到被遮挡的物体，能够凭借经验或联想识别出来。
那么，在计算机视觉中，能否像人类一样，准确识别出被遮挡物体呢？在实例分割这一研究命题里，解决遮挡带来的干扰，一直是重要的研究方向。
理想中的实例分割
实际中的实例分割
为了解决这一难点，来自华中科技大学、阿里巴巴、康奈尔大学、约翰霍普金斯大学以及牛津大学的团队，收集了一个用于遮挡视频实例分割的大规模数据集 OVIS（Occluded Video Instance Segmentation ），可用于同时检测、分割和跟踪遮挡场景中的实例。
数据集中的目标对象主要包括动物、人、交通工具等常见类别
这是继谷歌 YouTube-VIS 数据集之后，第二个大规模遮挡视频实例分割数据集。
OVIS：诞生于 901 段严重遮挡视频
对于我们平时目之所及的一切，几乎很少有物体孤立地出现，都或多或少存在遮挡情况。不过，研究表明，对于人类视觉系统来说，在遮挡情况下依然能区别目标对象的实际边界，而对于计算机视觉系统来说，就成为了一个大难题，也就是遮挡视频实例分割问题。
为了进一步探索并解决这一问题，来自华科、阿里等机构的团队，试图在原有开源的实例分割算法上，开发出更优的模型。
为了完成这项工作，团队首先收集了 OVIS 数据集，专门用于遮挡场景中的视频实例分割。在最近发表的论文《Occluded Video Instance Segmentation》中，详细介绍了这一数据集。
遮挡视频实例分割
论文地址：https://arxiv.org/pdf/2102.01558.pdf
为了收集该数据集，团队一共采集了近万段视频，并最终从中挑选出了 901 段遮挡严重、运动较多、场景复杂的片段，每段视频都至少有两个相互遮挡的目标对象。
其中大部分视频分辨率为 1920x1080，时长在 5s 到 60s 之间。他们按每 5 帧标注一帧的密度，进行了高质量标注，最终得到了 OVIS 数据集。
OVIS 共包含 5223 个目标对象的 296k 个高质量 mask 标注。相比之前谷歌 Youtube-VIS 数据集的 4883 个目标对象以及 131k masks 标注，OVIS 显然拥有更多的 目标对象和 masks 标注。
不过，OVIS 使用的视频实际上少于 YouTube-VIS，因为团队的理念倾向于时长更长的视频，以实现长期跟踪功能。OVIS 的平均视频时长和平均实例时长分别为 12.77s 和 10.55s，对应的，YouTube-VIS 这两个参数分别是 4.63s 和 4.47s。
OVIS 数据集与 YouTube-VIS 数据集相关参数对比
团队为了使遮挡视频实例分割的任务更具挑战性，牺牲了一定的视频段数，标注了更长、更复杂的视频。
OVIS 数据集共包含 25 种生活中常见的类别，如下图所示，具体种类包括：人，鱼，车辆，马，羊，斑马，兔子，鸟，家禽，大象，摩托车，狗，猴子，船，乌龟，猫，牛，鹦鹉，自行车，长颈鹿，老虎，大熊猫，飞机，熊和蜥蜴。
这 25 个类别均为常见的语义类别
之所以选择这些类别，主要是考虑到以下三点：
这些目标往往处于运动状态，也更容易发生严重的遮挡；它们在生活中很常见；这些类别与目前流行的大型图像实例分割数据集（如 MS COCO，LVIS，Pascal VOC 等）有很高的重叠，因此方便研究人员进行模型的迁移和数据的复用。
与先前的其他 VIS 数据集相比，OVIS 数据集最显著的特点在于，很大一部分物体，都因不同因素被严重遮挡。因此，OVIS 是评估视频实例分割模型处理严重遮挡的有效测试平台。
为了量化遮挡的严重程度，团队提出了一个指标 mean Bounding-box Overlap Rate (mBOR)来粗略的反映遮挡程度。mBOR 指图像中边界框重叠部分的面积占所有边界框面积的比例。从参数对比列表中可以看出，相比于 YouTube-VIS，OVIS 有着更严重的遮挡。
OVIS 数据集详细信息如下：
Occluded Video Instance Segmentation
遮挡视频实例分割数据集
数据来源：《Occluded Video Instance Segmentation》
包含数量：5223 个目标对象，296k 个 masks
种类数量：25 种
数据格式：框架：jpg；注释：Json
视频分辨率：1920×1080
数据大小：12.7 GB
下载地址：https://hyper.ai/datasets/14585
OVIS 对视频实例分割提出更高基准
OVIS 数据集被随机分为 607 个训练视频、140 个验证视频和 154 个测试视频。团队在 OVIS 上对 5 种现有的开源视频实例分割算法，进行了综合评估，同时这也是对 OVIS 数据集的基线性能进行基准测试。
评估结果如下表所示：
在 OVIS 验证和测试集上，各个方法的定量比较
在 YouTube-VIS 验证集上各方法表现
与 YouTube0-VIS 相比，FEELVOS、IoUTracker+、MaskTrack R-CNN、SipMask 以及 STEm-Seg 五种算法，在 OVIS 上的性能都至少下降了 50%。比如，SipMask 的 AP 从 32.5 降到 12.1，而 STEm-Seg 从 30.6 降到 14.4。这些结果都在提醒研究者们，应进一步关注视频实例分割问题。
此外，团队通过使用校准模块，在原有算法基础上，显著提高了其性能。其开发的 CMaskTrack R-CNN 比原算法 MaskTrack R-CNN 的 AP 改善了 2.6，从 12.6 提升至 15.2，CSipMask 比 SipMask 改善了 2.9，从 12.1 提升至 15.0。
CMaskTrack R-CNN 在 OVIS 上的定性评价
每行显示视频序列中 5 帧的结果
在上图的图（c）中，鸭群比较拥挤的场景下，团队的方法几乎正确检测和跟踪了所有的鸭子，不过第二帧最左边的一个鸭子检测失败。不过，在之后的帧中，这只鸭子又被重新跟踪，证明团队的模型很好地捕获了时间线索。
团队又在 YouTube-VIS 数据集上进一步评估了他们提出的 CMaskTrack R-CNN 和 CSipMask 算法，结果与原方法相比，在 AP 上都超越了原方法。
未来应用：视频全景分割、合成遮挡数据
团队表示，常用的视频分割算法在 OVIS 的基线表现，远远低于在 YouTube-VIS 上的表现，这表明未来，研究者应该在遮挡视频对象处理上投入更多精力。
此外，团队利用时态上下文线索，探索了解决遮挡问题的方法，将来，团队将在无监督、半监督或交互式设置下，在视频对象分割场景中，将 OVIS 的实验轨迹形式化。另外，将 OVIS 扩展到视频全景分割也是至关重要的（注：视频全景分割即同时实现对背景的语义分割和前景的实例分割，这是实例分割领域近来的新趋势）。
背景对目标对象造成遮挡，这会影响算法对背景的预测
此外，合成遮挡数据也是团队需要进一步探索的方向。团队表示，相信 OVIS 数据集将引发更多在复杂和多样场景下理解视频的研究。
这一技术未来在影视剧特效、短视频、直播中，人物与背景的分离工作中都将起到重要作用。
参考资料：
论文地址：https://arxiv.org/pdf/2102.01558.pdf
项目官网：http://songbai.site/ovis/
谷歌 YouTube-VIS 数据集：
https://youtube-vos.org/dataset/vis/
—— 完 ——
扫码加好友，加入海归Python编程和人工智能群
优惠劵
湾区人工智能
关注
关注
0
点赞
踩
3
收藏
觉得还不错?
一键收藏
知道了
0
评论
华科团队发布 OVIS 遮挡视频实例分割基准数据集
By 超神经内容提要：实例分割可广泛应用于各种应用场景中，作为计算机视觉领域的一个重要研究方向，也具有较大难度与挑战性。而很多场景中由于遮挡情况，使得实例分割成为难题中的难题。近日，来自华...
复制链接
扫一扫
实例分割coco标注数据集.zip
06-16
实例分割coco标注数据集.zip
YouTube视频数据集.zip
06-16
YouTube视频数据集.zip
参与评论
您还未登录，请先
登录
后发表或查看评论
基于MATLAB的图像去遮挡修复数字图像处理系统.zip
06-14
资源包含文件：课程lunwen文档word+运行简介+源码
要求将图片前景的黑色栏杆去除，恢复遮挡部分。要求修改的图片有两张，第一张图片的前景栏杆较窄，第二张图片的前景栏杆大部分较窄，有一根栏杆较粗。为了去除遮挡部分，首先需要找到遮挡部分的位置，即 mask，这一步使用一系列图像处理的方法来完成。
针对第一张图片，由于遮挡物较窄，我使用了 Fast Marching Method 算法来实现去遮挡，该算法运算较快，对窄遮挡物去除效果较好，但对宽遮挡物（宽度大于 15 像素）进行修复时会出现模糊现象(Telea, 2004)。因此，针对第二张图片的宽栏杆部分，我使用了 criminisi 算法来进 行修复，该算法运算较慢，但对宽遮挡物修复效果极佳(Criminisi, Perez, &
Toyama, 2003)。此外，我对 criminisi 算法做了一点改动，大大提高了它的运算速度，同时保证修复质量。详细介绍参考：https://biyezuopin.blog.csdn.net/article/details/122512677?spm=1001.2014.3001.5502
行人数据集部分遮挡2-1
04-13
行人数据集部分遮挡
cnn生成图像显著图_自动驾驶论文推荐2020(一) 图像实例分割算法CenterMask
weixin_36400833的博客
12-21
712
来源 |美团无人配送知圈 |进“高精度地图社群”，请加微信15221054164，备注地图本文介绍美团无人配送团队在CVPR2020中发表的文章『CenterMask: single shot instance segmentation with point representation』，介绍了美团无人配送团队提出的基于one-stage的图像实例分割算法CenterMask，图像...
OVIS数据集代码解析
小毛激励我好好学习的博客
11-23
802
OVIS数据集格式整体和COCO类似，但是是以video的形式存储的，对应的解析代码见：https://github.com/qjy981010/cocoapi/blob/main/PythonAPI/pycocotools/ovis.py。由于OVIS仅train提供了标注，因此，这里均以train进行说明。
Occluded-REID 行人重识别中的遮挡数据集
qq_43589560的博客
07-06
3960
Occluded-REID dataset
在这篇论文中《OCCLUDED PERSON RE-IDENTIFICATION》首次制作的行人遮挡数据集。由移动相机拍摄的200个遮挡行人的2000张图像组成。每个ID由5张全身图片和5张遮挡图片组成。行人图像都被reseize成 128 × 64的大小。
P-DukeMTMC-reID dataset
该遮挡行人数据集是从DukeMTMC-reID dataset数据集人工挑选出来的，该数据集有1299个ID总共24143张图片。
P-ETHZ ...
实例分割中物品遮挡数据增强实现
weixin_38241876的博客
10-08
466
import os
import cv2
import numpy as np
def proces(img,mask):
maskcopy = mask.copy()
indexs = np.array(np.where(mask > 0)[:-1])
x1 = np.min(indexs[1])
y1 = np.min(indexs[0])
x2 = np.max(indexs[1])
y2 = np.max(indexs[0])
w .
遮挡场景下视频实例分割怎么做？牛津阿里最新开源OVIS数据集！
阿木寺的博客
02-18
1128
点击上方“CVer”，选择加"星标"置顶重磅干货，第一时间送达本文系CVer粉丝投稿，欢迎大家分享优质的工作本文介绍一下我们最近公开的视频实例分割数据集OVISOcclud...
行人数据集部分遮挡2-2
04-13
行人数据集部分遮挡
含遮挡人脸库
09-26
图片库包含 有墨镜遮挡的男性、女性照片各50张
有帽子遮挡的男性31张、女性68张照片
图片源自网络
适合人脸识别、深度学习领域项目，可用于进行遮挡物判断
ovis：OVIS高性能计算监视，分析和可视化项目
02-03
OVIS / LDMS OVIS是用于HPC数据收集，传输，存储，日志消息浏览以及可视化和分析的模块化系统。 LDMS是一种低开销，低延迟的框架，用于在大型分布式计算机系统上收集，传输和存储度量标准数据。 该框架包括： 具有...
sosdb-ui:用于OVIS Web GUI和绘图功能的Django项目
05-28
概述 这是用于SOS Web GUI和绘图功能的Django项目。 它依赖于sosdb> = 3， django和django-cors-headers （通过python pip安装是最简单的）。 安装依存关系 "Development Tools" autoconf automake ...
ReconhecedorDeFaceDeDado：签证签证协调员或视频采访优胜者视频
02-19
达多人脸识别视频节目的简单性，以及视频的上级面Kong。 N1大学教授VisãoVisão的Arlindo da PucGoiásda disciplina。范例
Unraveling complexity in interspecies interaction through nonlinear dynamical models
02-21
Using data from GPS positions of sheep (Ovis aries) and red deer (Cervus elaphus) grazing a moorland plot, we modeled the animal movement of each species as a function of the distance between ...
OGRE3D引擎(OGRESDKforVisualC2012)v1.9.0RC1官方版64bit
07-31
OGRE 3D引擎(OGRE SDK for Visual C 2012)是一款用C 开发的开源图形渲染引擎，它像Linux系统一样，被各种不同的团体和组织改造和扩充，并使它能够适应不同的应用领域和拥有更强大的功能。OGRE 3D旨在让开发人员更...
代码随想录算法训练营（动态规划10，11 ，12 股票问题）| 121. 买卖股票的最佳时机 & 122.买卖股票的最佳时机II
最新发布
he979731102的博客
03-04
475
动态规划10，11, 12 股票问题）| 121. 买卖股票的最佳时机 & 122.买卖股票的最佳时机II
基础二分学习笔记
ros275229的博客
03-02
299
基础二分学习笔记
mmdetection swin 实例分割
01-09
mmdetection Swin是一个基于Swin Transformer架构的实例分割模型，它结合了Transformer的自注意力机制和卷积神经网络的优势，在实例分割任务上取得了很好的效果。
Swin Transformer是一种新型的Transformer架构，通过设计局部平移操作和跨尺度的特征融合，可以更好地捕捉图像中的全局和局部信息。在实例分割任务中，Swin Transformer可以有效地识别目标的位置和边界，从而实现精确的实例分割效果。
mmdetection Swin模型在实例分割任务中使用了Swin Transformer的特性，并且结合了目标检测和语义分割的技术，实现了对图像中目标物体的精确定位和分割。通过多层的特征提取和融合，模型可以更准确地理解图像的语义信息，并且在像素级别进行目标分割。
与传统的卷积神经网络相比，mmdetection Swin模型在实例分割任务上具有更强的表征能力和更高的准确性。它可以处理不同尺寸和形状的目标物体，并且在处理复杂背景和遮挡情况下表现出色。因此，mmdetection Swin模型在实例分割任务中具有很大的应用前景，可以广泛应用于物体识别、场景分割和视频分析等领域。
“相关推荐”对你有帮助么？
非常没帮助
没帮助
一般
有帮助
非常有帮助
提交
湾区人工智能
CSDN认证博客专家
CSDN认证企业博客
码龄7年
西门子磁共振有限公司
262
原创
2万+
周排名
7417
总排名
303万+
访问
等级
2万+
积分
1010
粉丝
850
获赞
328
评论
4083
收藏
私信
关注
热门文章
大学英语六级历年真题Word，PDF，和音频 下载
64808
Mac查看Python安装路径和版本
62813
专利代理人的真实工作状况
57994
720P、1080P、4K之间有什么区别和联系？
49794
最通俗易懂的理解API和SDK
47283
分类专栏
安规
4篇
office使用
2篇
产品注册文档
2篇
书
2篇
电工
3篇
测试
2篇
EMC
4篇
AI
70篇
python研究
45篇
python教程
13篇
CSDN使用方法
5篇
python项目
26篇
TensorFlow
9篇
学习总结
22篇
生活
29篇
C#
1篇
AI学习笔记
9篇
编程常识
4篇
工作
46篇
LeetCode.cn
11篇
算法研究
15篇
数据结构
9篇
找工作
8篇
金融
25篇
自然语言处理
7篇
离职
4篇
数据库
2篇
公众号
20篇
感情
Linux
14篇
AI项目
17篇
GitHub使用
2篇
GitHub研究
3篇
面试经历
爬虫
6篇
sublime text
4篇
开公司
1篇
Kaggle
1篇
mac
29篇
虚拟机
3篇
电脑操作
20篇
语义分割
1篇
MATLAB
12篇
pycharm
2篇
数学概率统计
1篇
Jupyter notebook
2篇
GPU
3篇
visio studio
1篇
计算机视觉
3篇
C
1篇
C++
1篇
Java
1篇
Lintcode_python
3篇
电商
1篇
Python报错
8篇
MySQL
4篇
网站后端
推荐系统
1篇
专利
52篇
excel
6篇
思考分析
11篇
德国机会
1篇
新闻
3篇
Word
11篇
免费资料
6篇
法律
3篇
网站建设
7篇
保险
1篇
翻译技巧
5篇
人口研究
1篇
小程序
12篇
前端
2篇
自媒体
数据分析
房子
1篇
Markdown
4篇
聚会
旅游
1篇
健康
2篇
英语学习
5篇
小工具
2篇
PPT
1篇
最新评论
35岁了，转去谷歌做人工智能靠谱吗？
虾老三:
哈哈 希望你成功 我没有学成
35岁了，转去谷歌做人工智能靠谱吗？
BlueBerryVanilla:
我今年也38了，老哥加油
Excel添加添加Microsoft Outlook x16.0 Object Library
seanzhang1980:
为什么我的没有outlook
入专利代理人行业，看我是如何熬过来的！
2301_78907725:
【培育创新】申请专利咋还失信（一年弄成非正常专利申请近百万件），发明创造去哪讲理？
稀奇古怪：国知局出尔反尔将己授权专利ZL202021519941.3和202022126649.1“说成”非正常专利申请，这种手段随心所欲颠三倒四咋讲科学？
专利案件管理软件 唯德系统
JieDavid:
啥也不是，你去搞清楚，看看www.acip.vip的系统是谁开发的？
您愿意向朋友推荐“博客详情页”吗？
强烈不推荐
不推荐
一般般
推荐
强烈推荐
提交
最新文章
CSS读书笔记
HTML5教程
HTML读书笔记
2023年15篇
2022年83篇
2021年295篇
2020年251篇
2019年635篇
2018年416篇
2017年26篇
目录
目录
分类专栏
安规
4篇
office使用
2篇
产品注册文档
2篇
书
2篇
电工
3篇
测试
2篇
EMC
4篇
AI
70篇
python研究
45篇
python教程
13篇
CSDN使用方法
5篇
python项目
26篇
TensorFlow
9篇
学习总结
22篇
生活
29篇
C#
1篇
AI学习笔记
9篇
编程常识
4篇
工作
46篇
LeetCode.cn
11篇
算法研究
15篇
数据结构
9篇
找工作
8篇
金融
25篇
自然语言处理
7篇
离职
4篇
数据库
2篇
公众号
20篇
感情
Linux
14篇
AI项目
17篇
GitHub使用
2篇
GitHub研究
3篇
面试经历
爬虫
6篇
sublime text
4篇
开公司
1篇
Kaggle
1篇
mac
29篇
虚拟机
3篇
电脑操作
20篇
语义分割
1篇
MATLAB
12篇
pycharm
2篇
数学概率统计
1篇
Jupyter notebook
2篇
GPU
3篇
visio studio
1篇
计算机视觉
3篇
C
1篇
C++
1篇
Java
1篇
Lintcode_python
3篇
电商
1篇
Python报错
8篇
MySQL
4篇
网站后端
推荐系统
1篇
专利
52篇
excel
6篇
思考分析
11篇
德国机会
1篇
新闻
3篇
Word
11篇
免费资料
6篇
法律
3篇
网站建设
7篇
保险
1篇
翻译技巧
5篇
人口研究
1篇
小程序
12篇
前端
2篇
自媒体
数据分析
房子
1篇
Markdown
4篇
聚会
旅游
1篇
健康
2篇
英语学习
5篇
小工具
2篇
PPT
1篇
目录
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
祝福语
请填写红包祝福语或标题
红包数量
个
红包个数最小为10个
红包总金额
元
红包金额最低5元
余额支付
当前余额3.43元
前往充值 >
需支付：10.00元
取消
确定
下一步
知道了
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝
规则
hope_wisdom 发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额
0
抵扣说明：
1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。
余额充值