需要做特定场景中物体检测的数据集，对于数据标记中一些基本的思路，方法，原则没有比较系统的认识。所以，希望通过参考一些常用的检测相关的数据集的制作思路和方法，提升自己数据集的质量；
数据集着重要解决scene understanding 中的3个问题：
（1）detecting non-iconic views of objects；
iconic view 的特征: 非遮挡，位置在图片中心或为图片主体，背景整洁；而现实场景中的检测多半是non-iconic view；
（2）contextual reasoning between objects；
在一张图片中如果有多个物体时，要识别其中的物体，往往要依赖于各个物体之间的关系以及整个图片提供的信息。因为，图片中的物体尺寸，清晰度会多种多样。
（3）precise 2D localization of objects；
实现像素点级别，精确到不同实例的标注信息；instance-level segmentation masks