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？
肇庆市封开县市场监督管理局度双随机抽查工作计划信息|政府监管数据集|数据分析数据集
收藏开放广东2024-12-19 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：
该数据为肇庆市封开县2022年至今市场监督管理局度双随机抽查工作计划的信息，指县政府各部门对大数据分析、数据共享和服务整合信息的变动情况进行跟踪、采集、分析、预测、公布的活动。本信息以数字政府改革建设为基础，并采取提供方案、改善公共服务流程和管理等手段，加强对政府内部集成工作分析，提高公共服务的时效性和准确性。
提供机构：
肇庆市
创建时间：
2023-11-15
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
ICLR Peer Review and Rebuttal Process Dataset
该数据集包含从ICLR 2024和2025年收集的同行评审和反驳过程数据，数据来自OpenReview平台，包括评审者ID、初始评分和反驳后评分。评审者评分变化被追踪，使用追踪分数指标来评估评审者连续性，分数≤1表示有效使用，≥2需双重检查。数据许可证为CC BY 4.0。
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
BDD100K
数据集推动了视觉的进步，但现有的驾驶数据集在视觉内容和支持任务方面缺乏研究，以研究自动驾驶的多任务学习。研究人员通常只能在一个数据集上研究一小组问题，而现实世界的计算机视觉应用程序需要执行各种复杂的任务。我们构建了最大的驾驶视频数据集 BDD100K，包含 10 万个视频和 10 个任务，以评估图像识别算法在自动驾驶方面的令人兴奋的进展。该数据集具有地理、环境和天气的多样性，这对于训练不太可能对新条件感到惊讶的模型很有用。基于这个多样化的数据集，我们为异构多任务学习建立了一个基准，并研究了如何一起解决这些任务。我们的实验表明，现有模型需要特殊的训练策略来执行此类异构任务。 BDD100K 为未来在这个重要场所的学习打开了大门。更多详细信息请参见数据集主页。
OpenDataLab 收录
UAVDT Dataset
The authors constructed a new UAVDT Dataset focused on complex scenarios with new level challenges. Selected from 10 hours raw videos, about 80, 000 representative frames are fully annotated with bounding boxes as well as up to 14 kinds of attributes (e.g., weather condition, flying altitude, camera view, vehicle category, and occlusion) for three fundamental computer vision tasks: object detection, single object tracking, and multiple object tracking.
datasetninja.com 收录
PartNet
我们介绍了PartNet: 一个一致的、大规模的三维对象数据集，用细粒度的、实例级的和分层的三维零件信息进行注释。我们的数据集包括573,585个零件实例，超过26,671个3D模型，涵盖24个对象类别。该数据集支持并充当许多任务的催化剂，例如形状分析，动态3D场景建模和仿真，可承受分析等。使用我们的数据集，我们建立了用于评估3D零件识别的三个基准任务: 细粒度语义分割，分层语义分割和实例分割。我们对四种最先进的3D深度学习算法进行了基准测试，用于细粒度语义分割，并对三种基线方法进行了基准测试。我们还提出了一种新颖的零件实例分割方法，并证明了其优于现有方法的性能。
OpenDataLab 收录