MegaDepth|计算机视觉数据集|深度学习数据集
收藏
- MegaDepth数据集首次发表,由Kurt Konolige等人提出,旨在解决大规模场景深度估计问题。
- MegaDepth数据集首次应用于计算机视觉领域的深度学习模型训练,显著提升了场景理解和重建的精度。
- MegaDepth数据集被广泛用于多个国际计算机视觉会议和竞赛中,成为深度估计任务的标准基准之一。
- MegaDepth数据集的扩展版本发布,增加了更多的场景和图像数据,进一步丰富了数据集的多样性和复杂性。
- 1MegaDepth: Learning Single-View Depth Prediction from Internet PhotosUniversity of Washington, Facebook AI Research · 2018年
- 2Depth Estimation from Single Image Using CNN-Based Depth MapUniversity of Science and Technology of China · 2020年
- 3Learning to Adapt for StereoUniversity of California, Berkeley · 2019年
- 4Depth Prediction Without the Sensors: Leveraging Structure for Unsupervised Learning from Monocular VideosUniversity of Toronto, University of British Columbia · 2019年
- 5Self-Supervised Learning of Depth and Ego-motion from VideoUniversity of California, Berkeley · 2017年
ReferCOCO数据集
ReferCOCO数据集包括refcoco、refcoco+和refcocog三个子集,用于视觉定位任务。数据集包含图像和对应的描述性文本,用于训练和测试模型识别图像中特定对象的能力。
github 收录
China Health and Nutrition Survey (CHNS)
China Health and Nutrition Survey(CHNS)是一项由美国北卡罗来纳大学人口中心与中国疾病预防控制中心营养与健康所合作开展的长期开放性队列研究项目,旨在评估国家和地方政府的健康、营养与家庭计划政策对人群健康和营养状况的影响,以及社会经济转型对居民健康行为和健康结果的作用。该调查覆盖中国15个省份和直辖市的约7200户家庭、超过30000名个体,采用多阶段随机抽样方法,收集了家庭、个体以及社区层面的详细数据,包括饮食、健康、经济和社会因素等信息。自2011年起,CHNS不断扩展,新增多个城市和省份,并持续完善纵向数据链接,为研究中国社会经济变化与健康营养的动态关系提供了重要的数据支持。
www.cpc.unc.edu 收录
CE-CSL
CE-CSL数据集是由哈尔滨工程大学智能科学与工程学院创建的中文连续手语数据集,旨在解决现有数据集在复杂环境下的局限性。该数据集包含5,988个从日常生活场景中收集的连续手语视频片段,涵盖超过70种不同的复杂背景,确保了数据集的代表性和泛化能力。数据集的创建过程严格遵循实际应用导向,通过收集大量真实场景下的手语视频材料,覆盖了广泛的情境变化和环境复杂性。CE-CSL数据集主要应用于连续手语识别领域,旨在提高手语识别技术在复杂环境中的准确性和效率,促进聋人与听人社区之间的无障碍沟通。
arXiv 收录
CMNEE(Chinese Military News Event Extraction dataset)
CMNEE(Chinese Military News Event Extraction dataset)是国防科技大学、东南大学和清华大学联合构建的一个大规模的、基于文档标注的开源中文军事新闻事件抽取数据集。该数据集包含17,000份文档和29,223个事件,所有事件均基于预定义的军事领域模式人工标注,包括8种事件类型和11种论元角色。数据集构建遵循两阶段多轮次标注策略,首先通过权威网站获取军事新闻文本并预处理,然后依据触发词字典进行预标注,经领域专家审核后形成事件模式。随后,通过人工分批、迭代标注并持续修正,直至满足既定质量标准。CMNEE作为首个专注于军事领域文档级事件抽取的数据集,对推动相关研究具有显著意义。
github 收录
poi
本项目收集国内POI兴趣点,当前版本数据来自于openstreetmap。
github 收录