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？
梅州市公安局交通警察支队车辆管理所机动车共同所有人姓名变更登记信息|车辆管理数据集|行政登记数据集
收藏开放广东2025-10-01 更新2024-02-29 收录
下载链接：
https://gddata.gd.gov.cn/opdata/base/collect?chooseValue=collectForm
下载链接
链接失效反馈资源简介：
该数据类型为2022年至今广东省梅州市公安局交通警察支队车辆管理所机动车共同所有人姓名变更登记信息，该数据信息主要包含：序号、事项名称、月份办件量、办件量（件）等字段内容。
提供机构：
梅州市
创建时间：
2023-12-30
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
Nikkei 225
Nikkei 225，又称日经225指数，是日本东京证券交易所的一个重要股票市场指数，由225家日本大型上市公司组成。该指数是衡量日本股市表现的重要指标，涵盖了从制造业到服务业的多个行业。
indexes.nikkei.co.jp 收录
LIDC-IDRI
LIDC-IDRI 数据集包含来自四位经验丰富的胸部放射科医师的病变注释。 LIDC-IDRI 包含来自 1010 名肺部患者的 1018 份低剂量肺部 CT。
OpenDataLab 收录
OpenML-CC18
我们提倡使用经过整理的、全面的机器学习数据集基准测试套件，以标准化的基于 OpenML 的接口和用 Python、Java 和 R 编写的互补软件工具包为后盾。我们展示了如何使用标准化的基于 OpenML 的基准测试套件轻松执行全面的基准测试研究以及用 Python、Java 和 R 编写的互补软件工具包。 OpenML 基准测试套件的主要显着特点是 (i) 通过标准化数据格式、API 和现有客户端库易于使用； (ii) 关于套件内容的机器可读元信息； (iii) 在线共享结果，实现大规模比较。作为第一个这样的套件，我们提出了 OpenML-CC18，这是一个机器学习基准套件，包含 72 个分类数据集，从 OpenML 上的数千个数据集中精心策划。纳入标准是： * 密集数据集独立观察的分类任务 * 类数 >= 2，每个类至少有 20 个观察和少数类与多数类的比例必须超过 5% * 500 <= 观察数 <= 100000 * one-hot-encoding 后的特征数量 < 5000 * 没有人工数据集 * 没有更大数据集的子集，也没有其他数据集的二值化 * 没有可以通过使用单个特征或使用简单的决策树来完全预测的数据集* 来源或参考可用 如果您使用此基准测试套件，请引用：Bernd Bischl、Giuseppe Casalicchio、Matthias Feurer、Frank Hutter、Michel Lang、Rafael G. Mantovani、Jan N. van Rijn 和 Joaquin Vanschoren。 “OpenML 基准测试套件”arXiv:1708.03731v2 [stats.ML] (2019)。 @article{oml-benchmarking-suites, title={OpenML Benchmarking Suites}, author={Bernd Bischl and Giuseppe Casalicchio and Matthias Feurer and Frank Hutter and Michel Lang and Rafael G. Mantovani and Jan N. van Rijn and Joaquin Vanschoren},年={2019}，日记={arXiv:1708.03731v2 [stat.ML]} }
OpenDataLab 收录
flames-and-smoke-datasets
该仓库总结了多个公开的火焰和烟雾数据集，包括DFS、D-Fire dataset、FASDD、FLAME、BoWFire、VisiFire、fire-smoke-detect-yolov4、Forest Fire等数据集。每个数据集都有详细的描述，包括数据来源、图像数量、标注信息等。
github 收录
TCM-Tongue
TCM-Tongue是一个专门用于人工智能辅助中医舌诊的标准化舌像数据集，包含6719张在标准化条件下捕获的高质量图像，并标注了20种病理症状类别（平均每张图像有2.54个经过临床验证的标签，所有标签均由持有执照的中医执业医师验证）。数据集支持多种标注格式（COCO、TXT、XML），以方便广泛使用，并使用九种深度学习模型进行了基准测试，以展示其在人工智能开发中的实用性。该资源为推进可靠的中医计算工具提供了关键基础，填补了该领域的数据短缺，并通过标准化、高质量的诊断数据促进了人工智能在研究和临床实践中的整合。
arXiv 收录