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

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220

Voxel51/NYC_Smells

嗅觉感知

跨模态学习

New York Smells是一个大规模多模态数据集，将视觉图像与电子鼻（e-nose）嗅觉信号配对，这些信号是在纽约市的各种环境中捕获的。该数据集支持嗅觉和视觉之间的跨模态学习，填补了机器感知研究中嗅觉感知的空白。数据集包含7,000个嗅觉-图像对，来自3,500个不同的对象，覆盖60个记录会话。数据集由哥伦比亚大学、康奈尔大学和Osmo Labs的研究团队收集。

Hugging Face2025-12-18 更新170

VGG-Sound

音视频对应

多媒体分析

Audio-Visual Correspondent Dataset

kaggle2021-01-10 更新140

global-optima-research/AVSpeech

音频-视觉处理

多媒体分析

包含31164个来自AVSpeech测试集的视频数据集，这些视频从YouTube上下载。

Hugging Face2025-06-16 更新220

MDED-68