GeoLLaVA-8K数据集是一个专注于超高清遥感场景的多模态大型语言模型，能够处理高达8K分辨率的输入。该数据集基于SuperRS-VQA和HighRS-VQA构建，包含22个真实世界的子任务，是目前为止图像尺寸最大的遥感视觉语言数据集。数据集的创建过程包括半自动化的标注流程和基于影响力的数据选择方法，旨在解决超高清遥感图像中图像-文本训练数据的稀缺问题。该数据集的应用领域是遥感数据处理，旨在解

arXiv2025-05-28 更新2230

Omni360-X

无人机图像

无人机导航

Omni360-X是一个大规模全景无人机数据集，包含超过60K非重复帧，分为三个子集：Omni360-Scene（专注于全景场景解析，约61,000张图像，提供深度、语义/实体分割标注）、Omni360-Human（专注于行人行为理解，约100,700帧，提供3D人体关键点标注）和Omni360-WayPoint（专注于无人机导航与控制，超过100,000个航点，提供物理一致的轨迹标注）。

github2025-12-02 更新1790

MLLM-AS-A-JUDGE

多模态语言模型

视觉语言

MLLM-AS-A-JUDGE是由理海大学的研究团队创建的一个综合数据集，旨在评估多模态大型语言模型（MLLMs）在视觉语言领域的评判能力。该数据集包含3300个图像-指令对，涵盖了图像标注、数学推理、文本阅读和信息图理解等多种任务。数据集的创建过程涉及精心挑选的10个不同任务的数据集，并通过四个主流MLLMs生成响应，然后由人工评估者进行严格标注。MLLM-AS-A-JUDGE的应用领域主要集中

arXiv2024-02-07 更新250

Constrained-SDD

无人机导航

计算机视觉

该存储库包含斯坦福无人机数据集的注释版本。我们从SDD中分割了前50张图像，并为建筑物、障碍物和越野区域绘制了多边形。我们的轨迹仅跟随道路/步行路径。

github2025-04-14 更新1890

LLaVA-CoT-Instruct-58K

指令生成

视觉语言

该数据集包含多个特征，如id、问题、输出、真实答案、消息和图像。消息是一个列表，包含内容和角色两个字段。数据集包含一个训练分割，有58468个例子，总大小为4560434108字节。数据集来源于LLaVA-CoT-o1-Instruct。

Hugging Face2024-12-25 更新720