COCONut: Modernizing COCO Segmentation

近几十年来，视觉界在视觉识别方面取得了显著进展，部分归功于数据集基准的进步。值得注意的是，已建立的COCO基准推动了现代检测和分割系统的发展。然而，COCO分割基准在过去十年中的改进相对较慢。最初，它配备了用于物体实例的粗略多边形注释，并逐渐引入了用于物品区域的粗略超像素注释，随后通过启发式方法合并以产生全景分割注释。这些注释由不同的评定者执行，不仅导致粗略的分割掩模，而且还导致分割类型之间的不一致性。在本研究中，我们对COCO分割注释进行了全面的重新评估。通过提高注释质量并扩展数据集以涵盖383K张图像和超过5.18M个全景掩模，我们引入了COCOnut，即COCO下一代通用分割数据集。 COCONut通过精心制作高质量的掩模，在语义分割，实例分割和全景分割之间协调分割注释，并为所有分割任务建立了强大的基准。据我们所知，COCOnut是首个经人类评定者验证的大规模通用分割数据集。我们预计，COCOnut的发布将显著促进社区评估新型神经网络的进展能力。

本论文旨在解决COCO分割基准数据集在分割掩模质量和一致性方面存在的问题，提出了一个新的大规模通用分割数据集COCONut。

论文提出了COCONut数据集，通过提高注释质量和扩展数据集规模，实现了对语义、实例和全景分割的一致性注释，建立了一个强大的分割基准数据集。

COCONut数据集包括383K张图像和超过5.18M个全景掩模，是一个大规模的通用分割数据集。该数据集的注释质量得到了提高，是首个经人工审核的大规模通用分割数据集。该数据集的发布将有助于评估新型神经网络的进展。

在相关研究方面，COCO基准数据集一直是该领域的重要数据集之一。此外，还有许多关于分割任务的研究，如Mask R-CNN、DeepLab等。