高精度的视听觉融合感知识别算法实验数据集

本数据集主要面向智能机器人在复杂环境下的感知识别需求建设，致力于提升其在多源信息干扰背景下的目标识别准确性与鲁棒性，使机器人能够同时整合并处理目标的声音和视觉信息，从而在不同环境和场景下精准识别目标，本数据集基于ImageNet21K视觉数据集及标准构建，并采集网络上公开的音视频数据，通过图像与音频的匹配实现，最终构建了视听双模态目标识别数据集。数据集主要包括室内外场景下多类别目标的图片、音频流及标注信息。

搜集汇总

背景与挑战

背景概述

该数据集面向智能机器人在复杂环境下的视听觉融合感知识别需求，基于ImageNet21K视觉数据集及公开音视频数据构建，通过图像与音频匹配形成视听双模态目标识别数据集，包含室内外场景多类别目标的图片、音频流及标注信息，数据量约58.29GB。