Metropolitan Museum of Art Open Access|艺术品数据集|博物馆数据集
收藏
- 大都会艺术博物馆首次公开其收藏的超过40万件艺术品的数字化数据,标志着Metropolitan Museum of Art Open Access数据集的正式发布。
- 数据集进一步扩展,增加了超过37万件艺术品的详细信息,包括图像、标题、创作者、日期和材料等。
- Metropolitan Museum of Art Open Access数据集首次应用于学术研究,特别是在艺术史和文化遗产保护领域,推动了相关研究的发展。
- 数据集的API接口正式上线,使得全球的研究者和开发者能够更便捷地访问和利用这些数据。
- 数据集的下载量突破百万次,成为全球最受欢迎的开放艺术数据集之一,广泛应用于教育、研究和公共文化服务。
- 1The Metropolitan Museum of Art Open Access Initiative: A Case Study in Cultural Heritage DigitalizationThe Metropolitan Museum of Art · 2017年
- 2Exploring Cultural Heritage through Open Data: The Case of the Metropolitan Museum of ArtUniversity of Bologna · 2019年
- 3Artificial Intelligence and Cultural Heritage: A Case Study Using the Metropolitan Museum of Art Open Access DatasetStanford University · 2020年
- 4Visualizing Cultural Heritage: A Deep Learning Approach to Analyzing the Metropolitan Museum of Art CollectionMassachusetts Institute of Technology · 2021年
- 5Open Access Data in Museums: A Comparative Study of the Metropolitan Museum of Art and Other Cultural InstitutionsUniversity of Oxford · 2022年
AISHELL/AISHELL-1
Aishell是一个开源的中文普通话语音语料库,由北京壳壳科技有限公司发布。数据集包含了来自中国不同口音地区的400人的录音,录音在安静的室内环境中使用高保真麦克风进行,并下采样至16kHz。通过专业的语音标注和严格的质量检查,手动转录的准确率超过95%。该数据集免费供学术使用,旨在为语音识别领域的新研究人员提供适量的数据。
hugging_face 收录
OpenSonarDatasets
OpenSonarDatasets是一个致力于整合开放源代码声纳数据集的仓库,旨在为水下研究和开发提供便利。该仓库鼓励研究人员扩展当前的数据集集合,以增加开放源代码声纳数据集的可见性,并提供一个更容易查找和比较数据集的方式。
github 收录
学生课堂行为数据集 (SCB-dataset3)
学生课堂行为数据集(SCB-dataset3)由成都东软学院创建,包含5686张图像和45578个标签,重点关注六种行为:举手、阅读、写作、使用手机、低头和趴桌。数据集覆盖从幼儿园到大学的不同场景,通过YOLOv5、YOLOv7和YOLOv8算法评估,平均精度达到80.3%。该数据集旨在为学生行为检测研究提供坚实基础,解决教育领域中学生行为数据集的缺乏问题。
arXiv 收录
AIS数据集
该研究使用了多个公开的AIS数据集,这些数据集经过过滤、清理和统计分析。数据集涵盖了多种类型的船舶,并提供了关于船舶位置、速度和航向的关键信息。数据集包括来自19,185艘船舶的AIS消息,总计约6.4亿条记录。
github 收录
基于站点观测的中国1km土壤湿度日尺度数据集(2000-2022)
本研究提供了中国范围1km高质量的土壤湿度数据集-SMCI1.0(Soil Moisture of China by in situ data, version 1.0),SMCI1.0是包含2000-2022年、日尺度、以10厘米为间隔10层深度(10-100cm)的高时空分辨率土壤湿度,数据单位为0.001m³/m³,缺失值为-999,投影为WGS1984。该数据集是以中国气象局提供的1,648个站点观测10层土壤湿度作为基准,使用ERA5_Land气象强迫数据、叶面积指数(LAI)、土地覆盖类型(Landtypes)、地形(DEM)和土壤特性(Soil properties)作为协变量,通过机器学习方式获得。本研究进行了两组实验以验证SMCI1.0的精度,时间尺度上:ubRMSE为0.041-0.052,R为0.883-0.919;空间尺度上:ubRMSE为0.045-0.051,R为0.866-0.893。 由于SMCI1.0是基于实地观测的土壤湿度,它可以作为现有基于模型和卫星数据集的有效补充。该数据产品可用于各种水文、气象、生态分析和建模,尤其在需要高质量、高分辨率土壤湿度的应用上至关重要。有关数据集的引用及详细描述,请阅读说明文档。为便于使用,本研究提供了两种不同分辨率的版本:30 秒(~1km)和0.1度(~9km)。
国家青藏高原科学数据中心 收录