有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
Paq A5 geno
收藏DataONE2012-02-23 更新2024-06-27 收录
下载链接：
https://search.dataone.org/view/null
下载链接
链接失效反馈资源简介：
Microsatellite allele sizes are always presented as "smaller,larger" so that a 5 digit entry can be decoded as smaller=first 2 digits, larger=last 3 digits. A "0" or blank means data are missing. A 3-digit entry refers to a homozygote. For sex, a "1" refers to male while a "0" refers to female.
创建时间：
2012-02-23
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
中国区域交通网络数据集
该数据集包含中国各区域的交通网络信息，包括道路、铁路、航空和水路等多种交通方式的网络结构和连接关系。数据集详细记录了各交通节点的位置、交通线路的类型、长度、容量以及相关的交通流量信息。
data.stats.gov.cn 收录
UCF-Crime
UCF-犯罪数据集是128小时视频的新型大规模第一个数据集。它包含1900年长而未修剪的真实世界监控视频，其中包含13个现实异常，包括虐待，逮捕，纵火，殴打，道路交通事故，入室盗窃，爆炸，战斗，抢劫，射击，偷窃，入店行窃和故意破坏。之所以选择这些异常，是因为它们对公共安全有重大影响。这个数据集可以用于两个任务。首先，考虑一组中的所有异常和另一组中的所有正常活动的一般异常检测。第二，用于识别13个异常活动中的每一个。
OpenDataLab 收录
学生课堂行为数据集 (SCB-dataset3)
学生课堂行为数据集(SCB-dataset3)由成都东软学院创建，包含5686张图像和45578个标签，重点关注六种行为：举手、阅读、写作、使用手机、低头和趴桌。数据集覆盖从幼儿园到大学的不同场景，通过YOLOv5、YOLOv7和YOLOv8算法评估，平均精度达到80.3%。该数据集旨在为学生行为检测研究提供坚实基础，解决教育领域中学生行为数据集的缺乏问题。
arXiv 收录
中国1千米分辨率逐日全天候地表土壤水分数据集（2003-2024）
(1、2025年5月19日对V2.0版本进行了最新更新，本次更新将数据集覆盖时段延伸至2024年年末。 2、2023年5月数据更新提示：本数据集的V2.0版本目前已经更新至2022年底，同时填补了2011年10月至2012年6月的空白时段，V2.0版本整体估算结果与V1.0原始版本相同，已下载的V1.0版本数据亦可放心使用，详情请参阅附件"2023年5月数据更新说明.pdf"。) 地表土壤水分（SSM）是了解地球表面水文过程的关键参数。长期以来，被动微波（PM）技术一直是在卫星遥感尺度上估算SSM的主要选择，而另一方面，PM观测的粗分辨率（通常>10 km）阻碍了其在更细尺度上的应用。虽然已经提出了定量研究，以缩小基于卫星PM的SSM的规模，但很少有产品可供公众使用，以满足1km分辨率和全天候条件下每日重访周期的要求。因此，在本研究中，我们在中国开发了一种具有所有这些特征的SSM产品。该产品是通过在36 km处对基于AMSR-E和AMSR-2的SSM进行降尺度生成的，涵盖了2003-2019年间两台辐射计的所有在轨时间。MODIS光学反射率数据和在多云条件下填补空白的每日热红外地表温度（LST）是降尺度模型的主要数据输入，以实现SSM降尺度结果的“全天候”质量。4月至9月期间，这一开发的SSM产品的每日图像在全国范围内实现了准完全覆盖。在其他月份，与最初的每日PM观测值相比，开发产品的全国覆盖率也大大提高。我们根据2000多个专业气象和土壤水分观测站的现场土壤水分测量结果对该产品进行了评估，发现该产品的精度在晴空到多云的所有天气条件下都是稳定的，无偏RMSE的站平均值在0.053 cm3/cm3到0.056 cm3/cm3之间。此外，评估结果还表明，开发的产品在1km分辨率下明显优于广为人知的SMAP Sentinel（主被动微波）组合SSM产品。这表明，我们开发的产品在改善未来水文过程、农业、水资源和环境管理相关调查方面可能带来的潜在重要效益。
国家青藏高原科学数据中心 收录
fruits_weight
该数据集用于训练和改进YOLOv8-seg模型，用于水果成熟度的识别与分割。数据集包含12个类别，涵盖了从生鲜水果到成熟水果的不同阶段，具体类别包括：生芒果（Raw_Mango）、熟芒果（Ripe_Mango）、熟葡萄（ripe grape）、熟苹果（ripe_apple）、熟橙子（ripe_orange）、熟石榴（ripe_pomegranate）、半熟葡萄（semiripe grape）、半熟苹果（semiripe_apple）、未熟葡萄（unripe grape）、未熟苹果（unripe_apple）、未熟橙子（unripe_orange）和未熟石榴（unripe_pomegranate）。数据集的丰富性和多样性使其成为训练水果成熟度识别模型的理想选择。
github 收录