Image-audio pairs (1 of 3)

kaggle2024-06-17 更新2024-06-22 收录

跨模态学习

多媒体分析

数据链接：

https://www.kaggle.com/datasets/jorvan/image-audio-pairs-1-of-3 数据链接链接失效反馈

官方服务：

资源简介：

(Pairs of related 512x512 images & 1 s audios)

成对的相关512x512图像与1秒音频

创建时间：

2024-06-17

YFCC100M

多媒体分析

社交媒体广告

YFCC100M 是一个包含总共 1 亿个媒体对象的数据集，其中大约 9920 万个照片和 80 万个视频，所有这些都带有知识共享许可证。数据集中的每个媒体对象都由几条元数据表示，例如Flickr 标识符、所有者名称、相机、标题、标签、地理位置、媒体来源。该集合提供了从 Flickr 于 2004 年成立到 2014 年初这些年来如何拍摄、描述和共享照片和视频的全面快照。

OpenDataLab2026-07-12 更新9330

LogoDet-3K

商标检测

多媒体分析

LogoDet-3K是由山东师范大学信息科学与工程学院创建的大规模商标检测数据集，包含3,000个商标类别，约200,000个手工标注的商标对象和158,652张图像。该数据集通过严格的收集和标注流程构建，旨在为商标检测提供更全面的覆盖和多样性。LogoDet-3K适用于解决多媒体领域中的版权侵权检测、品牌可见性监控和社交媒体上的产品品牌管理等问题，为大规模商标相关研究提供了强有力的支持。

arXiv2020-08-12 更新570

MDED-68

多域事件检测

多媒体分析

这是一个用于多域事件检测任务的数据集，即MDED-68数据集。该数据集包含23,874张Flickr图像，10,678篇来自数百个在线新闻媒体的新闻文章，以及1,337个YouTube视频。

github2021-08-19 更新230

CCMB

跨模态学习

预训练模型

CCMB是一个大规模的中文跨模态基准数据集，由360人工智能研究院创建。该数据集包含目前最大的公开预训练数据集Zero，以及五个由人工标注的下游任务数据集。Zero数据集包含2.5亿张图片和7.5亿条文本描述，通过用户点击率过滤方法从50亿条图像-文本数据中筛选得到，确保了数据的高质量和多样性。CCMB数据集主要用于视觉-语言预训练研究，旨在解决图像与文本之间的语义对齐问题，适用于图像-文本检索、

arXiv2023-11-08 更新790

moondream-data

跨模态学习

地理空间标注

该数据集包含图像和文本指令数据，主要面向空间标注任务。数据结构包含以下字段：图像数据（image）、操作指令文本（instruction）、二维坐标点（point，含x/y坐标）、边界框坐标（bbox，含x/y最小最大值）、元素类型（element_type）、元素标签（element_label）、来源网站名称（site_name）、原始URL（url）以及视口信息（viewport）。数据集分

Hugging Face2026-03-11 更新320

Image-audio pairs (1 of 3)

资源简介：

相关数据集