VEIS（Virtual Environment for Instance Segmentation）数据集概述
| 内容 | 说明 |
|---|---|
| 全称 | Virtual Environment for Instance Segmentation（VEIS） |
| 定位 | 用于城市道路场景的实例级语义分割的合成数据集，弥补了 GTA5、SYNTHIA、VIPER 等已有合成数据集在实例标注或前景类别上的不足 |
| 生成方式 | 基于 Unity3D 引擎搭建的虚拟城市环境（VEIS 环境），在其中放置 3D 车辆、行人、道路、建筑、树木等对象，自动渲染图像并同步生成 像素级实例分割标注，全程无需人工标注 |
| 数据规模 | - 多类复杂场景：30 180 帧 - 单类简易场景：31 125 帧 - 总计 61 305 帧，均配有实例级语义分割标签 |
| 场景划分 | 1）多类复杂场景：城市街道中混合出现多种目标类别（车辆、行人、交通标志等） 2）单类简易场景：仅出现单一目标类别（如仅车辆），背景保持一致，便于研究单类分割或少样本学习 |
| 主要优势 | - 完全合成、可无限扩展 - 自动、精准的实例级标注 - 包含常见城市视觉任务中缺失的前景类（如自行车、摩托车等） - 支持 跨域适应（synthetic → real）研究 |
| 常见使用 | - 训练 Mask R‑CNN、Mask Former、Detectron2 等实例分割模型 - 作为 域适应（synthetic → real）基准，评估合成数据对真实数据的提升效果 - 研究 少样本学习、数据增强 等技术 |
| 获取方式 | - GitHub 代码仓库（含数据下载脚本、Unity 场景文件）： https://github.com/fatemeh-slh/VEIS - 原始论文 PDF（ECCV 2018）： https://openaccess.thecvf.com/content_ECCV_2018/ papers/Fatemeh_Sadat_Saleh_Effective_Use_of_ECCV_2018_paper.pdf |
| 引用建议 | 当在学术或技术报告中使用 VEIS 数据集时，可引用原论文（Saleh et al., 2018）以及 GitHub 项目页面，以确保数据来源可追溯。 |
简要使用流程（示例）
- 克隆仓库
git clone https://github.com/fatemeh-slh/VEIS.git cd VEIS - 下载数据（仓库提供
download.sh脚本或直接在 Release 页面获取压缩包）./download.sh # 自动下载 61 305 张合成图像及对应的实例分割掩码 - 加载到训练框架（以 PyTorch + Detectron2 为例）
from detectron2.data import DatasetCatalog, MetadataCatalog from detectron2.structures import BoxMode def load_veis(split): # 读取图像路径、标注 JSON 等 ... DatasetCatalog.register("veis_train", lambda: load_veis("train")) MetadataCatalog.get("veis_train").set(thing_classes=["car","person","bicycle",...]) - 训练模型
按照 Detectron2 官方配置文件修改类别数即可直接进行实例分割训练。
小结
VEIS 是一个专为城市道路场景实例分割设计的 高质量合成数据集，通过 Unity3D 虚拟环境自动生成 61 305 帧图像及对应的实例级标注，填补了现有合成数据在实例标注和前景类别上的空白。数据集已公开在 GitHub（提供完整的 Unity 场景和下载脚本）并在 ECCV 2018 论文中正式发布，广泛用于深度学习模型的预训练、域适应以及少样本学习研究。若需要获取或使用该数据集，只需访问上述 GitHub 链接或下载论文 PDF 即可。
声明：文章均为AI生成，请谨慎辨别信息的真伪和可靠性！