用于动作分类和定位的稀疏标记数据集

　　图像分类和目标检测领域近年来取得了重大的平行进展。可以认为，这些进展归功于数据集的质量提高和数量增长，进而逐步成功地应用到了更复杂的学习模型中。在图像分类中，我们有从 Caltech101（2004，只有 9146 个样本）到 ImageNet（2011，包含 120 万个样本）这样的数据集。在目标检测中，尽管收集边界框信息所需的额外人类标注成本提高了，但也出现了训练集规模逐渐扩展的相似趋势。Pascal VOC（2007）只包含 1578 个样本，而最近提出的 COCO 数据集包含超过 20 万张图像和 50 万个目标实例标注。