本篇博客主要以介绍MS COCO数据集为目标，分为3个部分：COCO介绍，数据集分类和COCO展示。

本人主要下载了其2014年版本的数据，一共有20G左右的图片和500M左右的标签文件。标签文件标记了每个segmentation+bounding box的精确坐标，其精度均为小数点后两位。一个目标的标签示意如下：

{"segmentation":[[392.87, 275.77, 402.24, 284.2, 382.54, 342.36, 375.99, 356.43, 372.23, 357.37, 372.23, 397.7, 383.48, 419.27,407.87, 439.91, 427.57, 389.25, 447.26, 346.11, 447.26, 328.29, 468.84, 290.77,472.59, 266.38], [429.44,465.23, 453.83, 473.67, 636.73, 474.61, 636.73, 392.07, 571.07, 364.88, 546.69,363.0]], "area": 28458.996150000003, "iscrowd": 0,"image_id": 503837, "bbox": [372.23, 266.38, 264.5,208.23], "category_id": 4, "id": 151109},

具体的segmentation后面的数字到底是什么，说明有详细介绍，是分为RLE和Polygon两种形式的标签，具体标签说明见： http://mscoco.org/dataset/#download

下面来介绍一下这个数据集。

COCO简介：

COCO数据集是微软团队获取的一个可以用来图像recognition+segmentation+captioning 数据集，其官方说明网址：http://mscoco.org/。

该数据集主要有的特点如下：（1）Object
segmentation（2）Recognition in Context（3）Multiple objects per
image（4）More than 300,000 images（5）More than 2 Million instances（6）80
object categories（7）5 captions
per image（8）Keypoints on 100,000 people

为了更好的介绍这个数据集，微软在ECCV
Workshops里发表这篇文章：Microsoft COCO: Common Objects in
Context。从这篇文章中，我们了解了这个数据集以scene
understanding为目标，主要从复杂的日常场景中截取，图像中的目标通过精确的segmentation进行位置的标定。图像包括91类目标，328,000影像和2,500,000个label。

该数据集主要解决3个问题：目标检测，目标之间的上下文关系，目标的2维上的精确定位。数据集的对比示意图：

数据集分类：

Image Classification：

分类需要二进制的标签来确定目标是否在图像中。早期数据集主要是位于空白背景下的单一目标，如MNIST手写数据库，COIL household objects。在机器学习领域的著名数据集有CIFAR-10 and CIFAR-100，在32*32影像上分别提供10和100类。最近最著名的分类数据集即ImageNet，22,000类，每类500-1000影像。

Object Detection：

经典的情况下通过bounding
box确定目标位置，期初主要用于人脸检测与行人检测，数据集如Caltech Pedestrian
Dataset包含350,000个bounding box标签。PASCAL
VOC数据包括20个目标超过11,000图像，超过27,000目标bounding
box。最近还有ImageNet数据下获取的detection数据集，200类，400,000张图像，350,000个bounding
box。由于一些目标之间有着强烈的关系而非独立存在，在特定场景下检测某种目标是是否有意义的，因此精确的位置信息比bounding
box更加重要。

Semantic scene labeling：

这类问题需要pixel级别的标签，其中个别目标很难定义，如街道和草地。数据集主要包括室内场景和室外场景的，一些数据集包括深度信息。其中，SUN
dataset包括908个场景类，3,819个常规目标类(person, chair, car)和语义场景类(wall, sky,
floor)，每类的数目具有较大的差别（这点COCO数据进行改进，保证每一类数据足够）。

Other vision datasets：

一些数据集如Middlebury datasets，包含立体相对，多视角立体像对和光流；同时还有Berkeley Segmentation Data Set (BSDS500)，可以评价segmentation和edge detection算法。

COCO展示：

该数据集标记流程如下：

COCO数据集有91类，虽然比ImageNet和SUN类别少，但是每一类的图像多，这有利于获得更多的每类中位于某种特定场景的能力，对比PASCAL VOC，其有更多类和图像。

COCO数据集分两部分发布，前部分于2014年发布，后部分于2015年，2014年版本：82,783
training, 40,504 validation, and 40,775 testing images，有270k的segmented
people和886k的segmented object；2015年版本：165,482 train, 81,208 val, and
81,434
test images。

其性能对比和一些例子：