视频数据集
UCF101 (UCF101 Human Actions dataset)
UCF101 数据集是 UCF50 的扩展，由 13,320 个视频片段组成，分为 101 个类别。这 101 个类别可分为 5 种类型（身体运动、人与人之间的互动、人与物体之间的互动、演奏乐器和运动）。这些视频片段的总长度超过 27 小时。所有视频都是从 YouTube 上收集的，帧频固定为 25 FPS，分辨率为 320 × 240。
地址：https://www.crcv.ucf.edu/research/data-sets/ucf101/
- 数据集名称：UCF-101（2012）
- 总视频数：13,320个视频
- 总时长：27个小时
- 视频来源：YouTube采集
- 视频类别：101
- 视频类别组 ：Human-Object Interaction（人与物体交互）、Body-Motion Only（单纯的肢体动作）、Human-Human Interaction（人与人交互）、Playing Musical Instruments（演奏乐器）、Sports（体育运动）
- 特点：
- 每个类别的视频被分为25组，每组可包含4-7个视频，来自同一组的视频具有一些相似的特征，比如背景、人物等
- 这些视频是在不受约束的环境中录制并上传至YouTube，包含相机运动、各种照明条件、部分遮挡、低质帧等特点。
- 视频码率为 25FPS，分辨率为 320x240，avi格式，DivX编码方式，平均视频片段时长7.21秒。
- 视频按照 v_X_gY_cZ.avi的格式命名，其中X表示类别、Y表示组、Y表示视频编号，例如：v_ApplyEyeMakeup_g03 c04.avi 表示 ApplyEyeMakeup 类别下，第03组的第04个视频。
BVI-DVC
深度学习方法正越来越多地应用于视频压缩算法的优化，与传统方法相比，它能显著提高编码效率。这类方法通常采用卷积神经网络（CNN），而 CNN 是在内容覆盖范围相对有限的数据库上进行训练的。BVI-DVC 是一个用于训练基于 CNN 的编码工具的新的广泛且具有代表性的视频数据库，其中包含从 270p 到 2160p 不同空间分辨率的 772 个序列。实验结果表明，与现有的三个（常用的）图像/视频训练数据库相比，该数据库在编码增益方面有显著改善。
| Alternative title | A Training Database for Deep Video Compression |
|---|---|
| Creator(s) | Fan Zhang, Di Ma, David Bull |
| Publication date | 30 Nov 2021 |
| Language | eng |
| Publisher | University of Bristol |
| Licence | Non-Commercial Government Licence for public sector information |
| DOI | 10.5523/bris.3h0hduxrq4awq2ffvhabjzbzi1 |
| Citation | Fan Zhang, Di Ma, David Bull (2021): BVI-DVC Part 1. https://doi.org/10.5523/bris.3h0hduxrq4awq2ffvhabjzbzi1 |
| Total size | 83.8 GiB |
REDS
REDS(Realistic and Dynamic Scenes) 数据集是在 NTIRE19 挑战赛中提出的数据集，常用于视频去模糊和视频超分辨率任务。该数据集由 240 个训练视频序列， 30 个验证视频序列和 30 个测试视频序列组成，每个视频序列由 100 个分辨率为 720x1280 的连续视频帧构成。
REDS 数据集可以从其主页下载。对于视频超分辨率任务，应下载 train_sharp，train_sharp_bicubic，val_sharp 和 val_sharp_bicubic。
在 REDS 官方数据集中，训练集和验证集是可以公开获取的，而测试集是非公开的。最常见的使用方法是将原始的训练集和验证集合并作为训练集，选取原始训练集中的 4 个视频序列(‘000’， ‘011’， ‘015’ 和 ‘020’) 作为测试集，命名为REDS4。
数据集的文件目录结构应如下所示：
data |
MMEditing 中提供了 REDS 数据集的使用教程。仅运行以下命令就可以完成 REDS 数据集的准备：
python tools/dataset_converters/reds/preprocess_reds_dataset.py --root-path ./data/REDS |
如果想使用 LMDB 以获得更快的 IO 速度，可以通过以下命令来构建 LMDB 文件：
python tools/dataset_converters/reds/preprocess_reds_dataset.py --root-path ./data/REDS --make-lmdb |
MMEditing 中也支持了将 REDS 数据集图像裁剪为子图以加快 IO 速度，可以运行以下命令：
python tools/dataset_converters/reds/crop_sub_images.py --data-root ./data/REDS -scales 4 |
Vimeo-90K
Vimeo-90K 是一个大规模、高质量的视频数据集，提出自 Video Enhancement with Task-Oriented Flow。该数据集可被用作以下 4 个视频处理任务：视频插帧、视频去噪、视频去块和视频超分辨率。该数据集由 Triplet 数据集（用作视频插帧）和 Septuplet 数据集（用作视频去噪、视频去块和视频超分辨率）组成。Septuplet 数据集由 91701 个分辨率为 256x448 的 7 帧 视频序列组成。
Vimeo-90K 数据集可以从其主页下载。对于视频超分辨率任务，应下载 Septuplet dataset(82GB)。
数据集的文件目录结构应如下所示：
vimeo_septuplet |
原始的 Vimeo-90K 数据集没有提供下采样的视频序列，所以在使用前需要先生成下采样的 LR 视频序列。
MMEditing 中提供了 Vimeo-90K 数据集的使用教程。仅运行以下命令就可以生成下采样图像：
python tools/dataset_converters/vimeo90k/preprocess_vimeo90k_dataset.py --data-root ./data/vimeo90k |
如果想使用 LMDB 以获得更快的 IO 速度，可以通过以下命令来构建 LMDB 文件：
python tools/dataset_converters/vimeo90k/preprocess_vimeo90k_dataset.py --data-root ./data/vimeo90k --train_list ./data/vimeo90k/sep_trainlist.txt --gt-path ./data/vimeo90k/GT --lq-path ./data/Vimeo90k/BIx4 --make-lmdb |
Vid4
Vid4 数据集是最流行的视频超分辨率测试集之一。该数据集由 4 个视频序列组成： ‘calendar’ (41 帧，分辨率为 576x720)，’city’ (34 帧，分辨率为 576x704)，’foliage’ (49 帧，分辨率为 480x720) 和 ‘walk’(47 帧，分辨率为 480x720)。
Vid4 数据集可以从这里下载。
MMEditing 中提供了 Vid4 数据集的使用教程。
UDM10
UDM10 数据集是常用的视频超分辨率测试集。该数据集由 10 个视频序列组成，每个视频序列包含分辨率为 720x1272 的 32 个连续帧。
UDM10 数据集可以从这里下载。
MMEditing 中提供了 UDM10 数据集的使用教程。
SPMCS
SPMCS 数据集由 30 个视频序列组成，每个视频序列包含分辨率为 540x960 的 31 个连续帧。每个视频序列包括 x2，x3 和 x4 倍下采样的输入图像和高分辨率的原始图像。