《深度学习之图像识别：核心技术与案例实战》 ——3.1.5 Microsoft COCO数据集

3.1.5  Microsoft COCO数据集

　　Microsoft COCO数据集地址为http://cocodataset.org/，发布于2014年，由微软亚洲研究院整理。

　　Microsoft COCO数据集是对PASCAL VOC和ImageNet数据集标注而诞生的，同样可以用于图像分类、分割和目标检测等任务，共30多万的数据。COCO数据集分为91个类，以4岁小孩能够辨识为基准，其中有82个类超过5000个instance（instance即同一个类不同的个体，比如图像中不同的人）。

　　从COCO的全称Common Objects in Context可以看出，这个数据集以场景理解为目标，特别是选取比较复杂的日常场景，相比于PASCAL VOC项目的建立是为了推进目标检测任务，COCO的建立则是为了推进自然背景下的定位与分割任务，因此图像中的目标通过非常精确的分割掩模来进行位置的标定。

　　Microsoft COCO数据集的建立是为研究以下3个问题：

* non-iconic views；

* contextual reasoning between objects；

* precise 2D localization。

　　第1个问题，要求数据集中的图像，尽量不要只是包括一个大的目标或者一个空的场景，而是两者都有，保证场景的复杂性。

　　第2个问题就是场景的覆盖性，需要广而且足够复杂，数据集总共有328000个图像和2500000个标注。与ImageNet和SUN数据集（另一个场景分类数据集）相比，类别数目更少，但是每一个类别的instance更多，这其实是有利于目标定位任务的，因为多样性更好。对比PASCAL VOC，COCO数据集则要大得多，有更多类和instance。

　　第3个问题是精确定位，要求分割的标注结果非常精确，定位的边框也是从分割掩膜生成而不是直接画框标注，保证了极高的精度。

　　总地来说，COCO数据集相对于ImageNet和PASCAL VOC是一个更难的数据集，因此在相关任务上需要多关注、比较。

　　至此介绍了5个经典的数据集，它们是在计算机视觉领域中使用最广泛的基准数据集，它们的发展遵循以下两个重要的原则：

* 数据集规模从小到大，从最开始MNIST数据集的60000张图，到ImageNet数据集超过1000万张图像，增大了几个数量级，而且图像的大小也增加了。大规模数据集的多样性对深度学习模型的泛化能力至关重要，这是深度学习算法能够发展的前提。

* 从简单到复杂，从最简单的10个分类的手写数字，到100个类，再到1000个类的自然图像；从简单的场景到复杂的场景，数据集的难度越来越大，也越来越贴近实际场景，给深度学习算法在工业界稳定落地提供了测试标准。

　　数据集的发展，也催生出了LeNet5、AlexNet和ResNet等经典的深度学习模型，在整个深度学习的发展中占据着重要的位置。