Core Concepts
Die Einführung von COCONut, einem neuen großen und hochqualitativen Datensatz für universelle Segmentierung, soll die Entwicklung moderner Segmentierungsmodelle vorantreiben.
Abstract
Der Artikel stellt den COCONut-Datensatz vor, der als Weiterentwicklung des etablierten COCO-Datensatzes dient. COCONut umfasst 383.000 Bilder mit über 5,18 Millionen manuell erstellten, hochqualitativen Segmentierungsmasken für semantische, Instanz- und Panoptische Segmentierung.
Im Vergleich zu COCO weist COCONut folgende Verbesserungen auf:
Konsistentere und genauere Segmentierungsannotationen, die von menschlichen Experten verifiziert wurden
Deutlich größerer Umfang an Bildern und Segmentierungsmasken
Einheitliche Annotationen für semantische, Instanz- und Panoptische Segmentierung
Durch den Einsatz eines effizienten, assistierten manuellen Annotationsprozesses und eines iterativen Daten-Engines-Ansatzes konnte der Datensatz skaliert werden, ohne Abstriche bei der Annotationsqualität machen zu müssen.
Die Autoren zeigen, dass der COCONut-Datensatz im Vergleich zu COCO zu deutlich besseren Ergebnissen bei der Entwicklung moderner Segmentierungsmodelle führt. Insbesondere die neu eingeführte COCONut-Validierungsmenge stellt eine anspruchsvolle Benchmark dar.
Stats
Die COCONut-Trainingsmenge umfasst bis zu 358.000 Bilder mit 4,75 Millionen Segmentierungsmasken.
Die COCONut-Validierungsmenge umfasst 25.000 Bilder mit 437.000 Segmentierungsmasken.
Im Vergleich zu COCO enthält COCONut deutlich mehr Bilder mit einer höheren Dichte an Segmentierungsmasken pro Bild.
Quotes
"COCONut steht als der erste große universelle Segmentierungsdatensatz mit manuell verifizierten Annotationen da."
"Die Veröffentlichung von COCONut wird einen erheblichen Beitrag zur Bewertung des Fortschritts neuartiger neuronaler Netzwerke leisten."