SUN397是一个用于场景识别的大规模数据集，由麻省理工学院计算机科学与人工智能实验室和普林斯顿大学的研究人员于2010年提出。它包含108,754张图像，分布在397个不同的场景类别中，使其成为评估按环境类型（如卧室、滑雪胜地或图书馆）对图像进行分类的算法的最全面资源之一。该数据集旨在将场景理解的边界推向超越以物体为中心的任务，强调图像的整体上下文。
该数据集按层次结构组织，类别被分组为更广泛的类，如室内、室外自然和室外人造。每个类别至少包含100张图像，确保有足够的样本用于训练和测试。图像来源于公共集合，包括Flickr和其他在线存储库，并经过人工筛选以确保相关性和质量。SUN397通常与SUN基准一起使用，该基准还包括部分图像的属性和物体标注。
构建与标注
SUN397的创建涉及严格的过程，以确保多样性和覆盖范围。研究人员首先从各种来源（包括词典和现有数据集）编制了一份场景类别列表，然后将其扩展到397个类别。图像通过网页搜索和用户提交收集，然后过滤以去除重复和无关内容。每张图像都经过人工验证，确保其属于指定类别。数据集被分为训练集和测试集，标准协议是每个类别使用50张图像进行训练，50张用于测试，但也使用其他划分方式。
在场景识别研究中的作用
SUN397已成为计算机视觉和机器学习中的标准基准。它经常用于评估卷积神经网络和其他深度学习模型。该数据集挑战算法区分视觉上相似的场景，如不同类型的厨房或图书馆，并泛化到多样的光照、视角和遮挡条件。许多最先进的模型将SUN397上的性能作为关键指标报告，通常在测试集上达到超过90%的准确率。
与其他数据集的比较
SUN397补充了其他流行的数据集，如Places365和ImageNet。虽然ImageNet侧重于物体分类，但SUN397强调场景级别的理解。Places365后来提出，是一个更大的场景数据集，包含365个类别，但SUN397因其更细粒度的类别和在早期场景识别研究中的作用而仍然具有价值。该数据集还包括一个带有属性标签的子集，支持场景属性预测等任务。
影响与遗产
SUN397的引入推动了场景识别的显著进展，促进了理解上下文和布局的模型的发展。它已被用于从自动驾驶到基于内容的图像检索等应用。该数据集公开供研究使用，并在学术文献中被广泛引用。其层次结构和清晰的评估协议使其成为持久资源，截至2025年仍在当代研究中被引用。