ReDWeb‑S（Relative Depth Web – Saliency）是一个面向 RGB‑D 显著性检测（salient object detection）任务的大规模数据集，基于原始的 ReDWeb 数据集扩展而来。其核心特点与构成如下：
| 项目 | 内容 |
|---|---|
| 全称 | Relative Depth Web – Saliency（ReDWeb‑S） |
| 来源 | 由 ReDWeb 数据集衍生，ReDWeb 最初用于单目相对深度估计 |
| “S” 含义 | “Saliency”，即专注于显著性（显著目标）标注 |
| 规模 | 共 3179 对 RGB‑D 图像，其中 2179 对 用作训练集，1000 对 用作测试集 |
| 图像特征 | - 来自真实网络场景，分辨率较高 - 包含复杂背景、建筑、自然景观等多样化场景 - 深度图由立体图像对计算得到，质量较高 |
| 标注内容 | 每张图像配有显著性掩码（saliency mask），用于指示显著目标所在区域 |
| 主要用途 | - RGB‑D 显著性检测模型的训练与评估 - 也可用于深度估计、跨模态特征学习等相关研究 |
| 下载地址 | 官方提供的下载链接为 http://u3v.cn/5BjUY4 （可直接获取全部 3179 张图像） |
| 与其他数据集的关系 | 与原始 ReDWeb（约 3600 张相对深度图像）相比，ReDWeb‑S 侧重于显著性标注，且在深度质量和场景多样性上进一步提升 |
| 研究引用 | 多篇 RGB‑D 显著性检测论文将 ReDWeb‑S 作为基准数据集，报告了 S‑measure、maxF、E‑measure、MAE 等指标的评测结果 |
详细特点
- 多样化真实场景
数据集收集自互联网，覆盖室内、室外、城市街景、自然风光等多种环境，确保模型在复杂背景下仍能学习到有效的显著性特征。 - 高质量深度信息
深度图是通过立体图像对（stereo pairs）计算得到，基准基线较大，深度误差相对较小，适合作为深度监督信号。 - 显著性标注
每张图像均配有二值显著性掩码，标注范围不仅限于单一物体，还包括建筑、自然景观等更宏观的显著区域，提升了任务的挑战性。 - 标准划分
训练集（2179 对）与测试集（1000 对）划分明确，便于不同方法的公平比较。 - 广泛应用
除显著性检测外，研究者也将其用于跨模态特征融合、深度估计的迁移学习等方向，证明了数据集的通用价值。
使用建议
- 模型训练：建议在训练时同时利用 RGB 图像和对应的深度图，以充分挖掘深度信息对显著性定位的帮助。
- 评估指标：常用的评估指标包括 S‑measure、maxF、E‑measure、MAE 等，可参考已有文献的基准结果进行对比。
- 数据增强：由于场景多样，可采用随机裁剪、颜色抖动、深度噪声注入等增强手段提升模型鲁棒性。
总结
ReDWeb‑S 是一个专为 RGB‑D 显著性检测设计的高质量、规模适中的数据集，提供了 3179 对真实场景的 RGB‑D 图像及对应显著性标注，已成为该领域的重要基准。通过该数据集，研究者能够在复杂真实环境下评估和提升显著性检测模型的性能。
声明：文章均为AI生成，请谨慎辨别信息的真伪和可靠性！