yukimasano/pass

PASS是一个大规模图像数据集，包含143万张不包含人类的图像，用于高质量的自监督预训练，同时显著减少隐私问题。数据集的结构包括图像及其元数据，如创建者用户名、哈希值、GPS坐标和拍摄日期。数据集的创建目的是为了提供一个更安全的大规模数据集，用于视觉特征的预训练，特别是避免包含人类或人类部分的图像。数据集是从YFCC-100M数据集中筛选出来的，仅包含CC-BY许可的图像，并且经过了病毒扫描和内容过滤。数据集的使用仅限于研究目的，不应用于连接图像和用户名等可能去匿名化的任务。

原始信息汇总

数据集概述

数据集名称： Pictures without humAns for Self-Supervision (PASS)

数据集大小： 包含1.4百万张图像，数据集总大小为178,563,446,100字节，下载大小为179,640,190,811字节。

语言： 英语

许可证： 遵循Creative Commons Attribution 4.0 International License

多语言性： 单语（英语）

数据集类别： 图像自监督预训练

任务类别： 其他

数据集结构：

• 数据实例： 每个数据点包含一张图像及其元数据，包括创建者用户名、哈希值、GPS纬度、GPS经度和拍摄日期。
• 数据字段：
  • image: 图像文件，类型为PIL.Image.Image。
  • creator_username: 摄影师的用户名。
  • hash: 图像的哈希值。
  • gps_latitude: 图像的纬度。
  • gps_longitude: 图像的经度。
  • date_taken: 图像的拍摄日期。
• 数据分割： 所有数据包含在训练集中，训练集包含1,439,588个实例。

数据集创建：

• 来源数据： 数据集是从YFCC-100M数据集中筛选出来的，仅包含CC-BY许可的图像。
• 注释： 该数据集不包含注释。
• 个人和敏感信息： 数据集不包含任何人类或人类部分，以及可能引起不适的内容。

使用考虑：

• 社会影响： 数据集主要用于研究目的，不应用于可能泄露图像和用户名关联的场景。
• 偏见讨论： 数据集存在地理和相机型号等偏见，但不含人类和人类部分。

额外信息：

• 数据集创建者： Yuki M. Asano, Christian Rupprecht, Andrew Zisserman, Andrea Vedaldi。
• 贡献者： 感谢@mariosasko添加此数据集。