与其他图像处理领域相比,图像配准领域具有分支多、数据少的问题。
为了更好的进行图像配准的科研学习,相关数据集的整理非常有必要,
经过本人@白小鱼的实践,发现整理相关数据集是一项庞大的工程,
非一人之力,需要更多人的协作才能更好完成这项任务。
为提高整理的效率,需要事先 确定整理流程 和 制定收录格式
整理流程(1024初稿)
为了整理的“完整、一致、规范”,至少需要将整理流程分为三个阶段
A 收集数据集地址
刚开始整理时可以多人协作,将所有人手头的数据集地址发到一处
也可以从不同渠道(如 github/csdn/书籍)获取已整理好的合集
当初步整理好一个合集后,之后就只需要添加新的数据集信息了B 信息整理归类
根据“收录格式”提取数据集的信息
将提取后的信息归类汇总到一个位置C 审核整理结果
核对归类后信息的正确性
D 以上阶段的贡献者,在贡献表上记录自己的姓名(代号)
参考[1][2][3]
收录格式(1024初稿)
*为必填项
A 数据集通用内容
数据集编号
当数据集个数超过100时,需要借用图书馆书籍命名方案对数据集进行编码。
但刚开始这一步骤可以省去数据集名称*
数据集地址*
数据开源与否*
数据集发布日期
数据提供方支持的图像格式*
数据数量及文件大小
B 配准数据集专用内容
图像模态*
2D 3D 4D 或 2D/3D 等等
图像类型*
分类:自然/遥感/力学/点云/医学图像
医学图像类型
头/胸/腹/骨 等等
C 配准数据集中的一组样图
D 额外说明
比如:
数据集的介绍信息
引用该数据集的论文doi 等等
参考[4][5]
H2OPM Image Registration Dataset
Deformable image registration for radiation therapy: principle, methods, applications and evaluation
Cognitive Atlas Concept Decoding: object detection
Cola and chocolate - Object detection on webcam
参考
,
- ^数据管理工作流程图
- ^2016不动产数据库整合方案
- ^2016不动产数据库整合方案
- ^谷歌数据集搜索引擎 https://toolbox.google.com
- ^表情识别数据集整理