数据集在计算机科学和数据科学中发挥着至关重要的作用。它们用于训练和评估机器学习模型，研究和开发新算法，改进数据质量，解决实际问题，推动科学研究，支持数据可视化，以及决策制定。数据集提供了丰富的信息，用于理解和应用数据，从而支持各种应用领域，包括医疗、金融、交通、社交媒体等。正确选择和处理数据集是确保数据驱动应用成功的关键因素，对于创新和解决复杂问题至关重要。因此，数据集不仅是技术发展的基础，也是推动科学进步和社会决策制定的强大工具。
本文约1200字，建议阅读6分钟本文汇总了下载排名众多的 6 个数据集，涵盖图像识别、机器翻译、遥感影像等领域。 这些数据集质量高、数据量大，经历人气认证值得收藏码住。 关键词：数据集 机器翻译 机器视觉 数据集是机器学习模型训练的基础，优质的公开数据集对于模型训练效果、研究成果可靠度等具有重要意义。 注：本文梳理的数据集均来自网站： https://hyper.ai/datasets 第 6 名：Tanks Temple 3D 重建数据集 Tanks Temple Datas
近期，旷视科技南京研究院发布学术界内目前最大的商品识别数据集——RPC，其图像数量和类别数量皆是该领域之最。同时，该数据集针对新零售场景定义了一个新问题，即视觉自动收银（automatic check-out, ACO），模拟零售真实结算场景。此外，还针对 ACO 任务给出了一套完整的 Baseline Method，以及“整单准确率”cAcc为代表的一系列评测指标，更有可以直接安装的 Python 版本评测工具。同名 GitHub 项目主页上有 Leaderboard，欢迎大家来刷榜！
细粒度图像识别 [1] 是视觉感知学习的重要研究课题，在智能新经济和工业互联网等方面具有巨大应用价值，且在诸多现实场景已有广泛应用…… 鉴于当前领域内尚缺乏该方面的深度学习开源工具库，南京理工大学魏秀参教授团队用时近一年时间，开发、打磨、完成了 Hawkeye——细粒度图像识别深度学习开源工具库，供相关领域研究人员和工程师参考使用。本文是对 Hawkeye 的详细介绍。
美团基础研发平台视觉智能部与中科院计算所展开科研课题合作，共同构建大规模数据集Food2K，并提出渐进式区域增强网络用于食品图像识别，相关研究成果已发表于T-PAMI 2023。
目前在零售行业的实际运营过程中，会产生巨大的人力成本，例如导购、保洁、结算等，而其中，尤其需要花费大量的人力成本和时间成本在识别商品并对其进行价格结算的过程中，并且在此过程中，顾客也因此而需要排队等待。这样一来零售行业人力成本较大、工作效率极低，二来也使得顾客的购物体验下降。
http://www.datatang.com/about/about-us.html
datasets文件夹包含的是tflearn预先准备的几个数据集加载文件。可以方便测试，具体如下
【新智元导读】有了好的数据，机器学习项目也就成功了一半。希望这份资源清单有助于那些寻找机器学习项目实践的人。对于初学者来说，这绝对是一个金矿。确保你在业余时间选择一些项目，并在上面投入时间和精力，将对你的技术成长大有益处。 大规模通用数据库：从这里入手 data.gov - 这是美国政府开放数据集总部。这些数据集的主题包括气候、教育、能源、金融和更多领域的数据。 data.gov.in - 这是印度政府公开数据库，你可以在这里查找关于印度各行业、气候、医疗保健等数据。同样，稍微改变后缀，就能查看不同地区国家
我们一直听过一句话叫，“如果说我看得比别人更远些，那是因为我站在巨人的肩膀上。（If I have seen further, it is by standing on the shoulders of giants.）”。“站在巨人的肩膀上”，不仅能看得更远,还能看到更多。这也用来表达我们要善于学习先辈的经验, 一个人的成功往往还取决于先辈们累积的知识。这句话, 放在机器学习中, 这就是今天要说的迁移学习（transfer learning）。
前几日，微软静悄悄地删除了一个公开的名人图片数据集。这个本为世界上最大的公开人脸识别数据集，现在已经不能通过微软的渠道访问。
无论是数据挖掘还是目前大热的深度学习，都离不开“大数据”。大公司们一般会有自己的数据，但对于创业公司或是高校老师、学生来说，“Where can I get large datasets open to the public” 是一个不得不面对的问题。 本文将为您提供一个网站/资源列表，从中你可以使用数据来完成你自己的数据项目，甚至创造你自己的产品。
根据路透社5月4日消息，著名华人计算机科学家李飞飞正在建立一家初创公司。这家公司会利用类似人类对视觉数据的处理，使 AI 能够进行高级推理。这种AI算法使用的概念被称为“空间智能”。至于新公司的名字，还没有向外界披露。
杨净 丰色 发自 凹非寺 量子位 报道 | 公众号 QbitAI 你算个什么鸟？ 面对上面这两张图，一个AI发出了灵魂拷问。 左边桃面牡丹鹦鹉，右边费氏牡丹鹦鹉。 一眼识破的它早就看到左边的鸟的喙部和眼圈与右边的不一样。 不行，再来！再来看这组。（文末揭晓答案） 好，我放弃了。 这个来自浙大计算机学院和阿里安全的“找茬”选手，识别准确率达到了91.3%，已经是业内最优水平。研究成果已被多媒体国际顶会ACM MM 2021收录。 不光鸟，阿猫阿狗也能行，甚至花草植物也能行。 看看这连两张照片，吉娃
图像识别（Image Recognition）是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。
近期，图普科技在国际权威海量人脸识别数据库MegaFace中，以99.087%的最新成绩在百万级别人脸识别测试中拔得头筹，参加这项测试的还有来自Google、微软中国、百度、腾讯等公司的AI团队。 数
向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程 公众号：datayx 商品识别在零售行业的应用 一、图像识别的应用场景，以及对零售行业的变革 1.以图搜图，拍照购物 说到图像识别，大家可能马上能想到以图搜图的方式，也就是“拍照购”。这个想法出现的很早，在零几年的时候就有很多公司开始做这方面的尝试。 美国硅谷的snaptell，他们早在零六年的时候就开始做拍照购物的应用场景，他们做的大部分是一些书籍和CD类的简单物品识别，2009年被Amazon收购。2015年Amazon收购了另一
随着互联网技术和电子商务的迅猛发展，人们的购物方式逐步由传统实体店购物变为网络购物。为了充分满足客户海量、多样化的网上购物需求，人工智能零售系统需要快速地从图像和视频中自动识别出产品的存货单元(Stock Keeping Unit，SKU)级别的类别，然而，许多SKU级别的产品都是细粒度的，可以看出它们在视觉上是相似的。
【新智元导读】近日，国际模式识别大会（ICPR 2020）拉开帷幕，各个workshop也公布了各项挑战赛的结果，来自中国的DeepBlueAI 团队斩获了由ICPR 2020、Kaggle和JDAI等联合举办大规模商品图像识别挑战赛冠军。
本文将为您提供一个网站 资源列表，从中你可以使用数据来完成你自己的数据项目，甚至创造你自己的产品。
如果你是一个初学者，你每完成一个新项目后自身能力都会有极大的提高，如果你是一个有经验的数据科学专家，你已经知道这里所蕴含的价值。 本文将为您提供一个网站/资源列表，从中你可以使用数据来完成你自己的数据项目，甚至创造你自己的产品。
本文将为您提供一个网站/资源列表，从中你可以使用数据来完成你自己的数据项目，甚至创造你自己的产品。
在接下来的几篇文章中，我们将训练计算机视觉+深度学习模型来进行面部识别。在此之前，我们首先需要收集脸部数据集。
AI 科技评论按：近期，图普科技在国际权威海量人脸识别数据库 MegaFace 中，以 99.087% 的最新成绩在百万级别人脸识别测试中拔得头筹，参加这项测试的还有来自 Google、微软中国、百度、腾讯等公司的 AI 团队。
作者：宋天龙 链接：https://www.zhihu.com/question/63383992/answer/222718972 来源：知乎
【AI科技大本营导读】近年来，深度学习已成为机器学习社区的一个主要研究领域。其中一个主要挑战是这种深层网络模型的结构通常很复杂。对于一般的多类别分类任务，所需的深度网络参数通常随着类别数量的增加而呈现超线性增长。如果类别的数量很大，多类别的分类问题将变得不可行，因为模型所需的计算资源和内存存储将是巨大的。然而，如今的很多应用程序需要解决庞大数量的多分类问题，如词级别的语言模型，电子商务中购物项目的图像识别（如现在淘宝和亚马逊上数百万的购物项），以及 10K 中文手写汉字的识别等。
AI 科技评论：港中文最新论文研究表明目前的深度神经网络即使在人工标注的标准数据库中训练（例如 ImageNet），性能也会出现剧烈波动。这种情况在使用少批量数据更新神经网络的参数时更为严重。研究发现这是由于 BN（Batch Normalization）导致的。BN 是 Google 在 2015 年提出的归一化方法。至今已有 5000+次引用，在学术界和工业界均被广泛使用。港中文团队提出的 SN（Switchable Normalization）解决了 BN 的不足。SN 在 ImageNet 大规模图像识别数据集和 Microsoft COCO 大规模物体检测数据集的准确率，还超过了最近由 Facebook 何恺明等人提出的组归一化 GN（Group Normalization）。原论文请参考 arXiv:1806.10779 和代码 https://github.com/switchablenorms
向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程 公众号：datayx nerpy实现了BertSoftmax、BertCrf、BertSpan等多种命名实体识别模型，并在标准数据集上比较了各模型的效果。 https://github.com/shibing624/nerpy Evaluation 说明： 结果值均使用F1 结果均只用该数据集的train训练，在test上评估得到的表现，没用外部数据 shibing624/bert4ner-base-chinese模型达到同级别参数量SOT
在本篇博客中，我们将详细探讨CIFAR-10数据集的下载和使用方法，涵盖了Python编程语言的应用，TensorFlow和PyTorch框架的实际操作指南。文章适合所有水平的读者，无论是机器学习的初学者还是有经验的数据科学家。CIFAR-10、机器学习、Python编程、TensorFlow教程、PyTorch实战等关键词将帮助您从搜索引擎轻松找到本文。
"商品识别"、"人脸识别"、"以图搜图"有什么难？这个在 GitHub 上狂圈 Star 3100+ 的项目就能轻松帮你实现！
人工智能技术具有改变人类命运的巨大潜能，但同样存在巨大的安全风险。攻击者通过构造对抗样本，可以使人工智能系统输出攻击者想要的任意错误结果。从数学原理上来说，对抗攻击利用了人工智能算法模型的固有缺陷。本文以全连接神经网络为例来介绍对抗样本对人工智能模型作用的本质。
本文收集整理了21个国内外经典的开源数据，包含了目标检测、图像分割、图像分类、人脸、自动驾驶、姿态估计、目标跟踪等方向。
如果你们想要实现酷炫的"商品识别"、"以图搜图"，进军新消费领域却没有相应技术方案，怎么办？
本文收集整理了多个小目标检测、图像识别、图像分类等方向的开源数据集，本次还有猫咪、斯坦福狗狗数据集以及3D MNIST数字识别等～
[1]吴恩达老师课程原地址: https://mooc.study.163.com/smartSpec/detail/1001319001.htm
原作者 Kunal Jain 编译 Mika 本文为 CDA 数据分析师原创作品，转载需授权 前言 如果用一个句子总结学习数据科学的本质，那就是： 学习数据科学的最佳方法就是应用数据科学。 如果你是初学者，那么每完成一个项目你的能力就会大大提高。如果你是有经验的数据科学从业者，那么你应该懂这个道理。 但是，当我向人们给出这个建议时，他们通常会问：我可以在哪里获得练习的数据集呢？ 他们没有意识到存在大量开放的数据集可使用。他们没有意识到通过这些项目，能够不断学习，从而促进自己的职业发展。 如果你认为这符合你
计算机视觉模型已经学会了非常精确地识别照片中的物体，甚至有些模型在某些数据集上的表现比人类更好。但是，同样的物体检测器如果在现实世界中使用，它们的性能会显著下降，这就给自动驾驶汽车和其他使用机器视觉的安全至关重要的系统带来了可靠性方面的担忧。
为了缓解上述问题，有研究者提出了一种简单而高效的方法，称为保持增强（KeepAugment），以提高增强图像的保真度。其主要思想是首先使用显著性map来检测原始图像上的重要区域，然后在增强过程中保留这些信息区域。这种信息保护策略使我们能够生成更忠实的训练示例。
数据增强(DA)是训练最先进的深度学习系统的必要技术。在今天分享中，实证地表明数据增强可能会引入噪声增强的例子，从而在推理过程中损害非增强数据的性能。
一个月之前，微软发布了基于深度神经网络的文本到语音（text-to-speech，TTS）系统，并且做为 Azure 认知服务中的一项，提供面向客户的预览版本。
来源：极市平台本文多干货，建议收藏本文整理汇总了90+深度学习各方向的开源数据集，包含了小目标检测、目标检测、工业缺陷检测、人脸识别、姿态估计、图像分割、图像识别等方向。附下载链接。 小目标检测 1. AI-TOD航空图像数据集 数据集下载地址：http://m6z.cn/5MjlYk AI-TOD 在 28,036 张航拍图像中包含 8 个类别的 700,621 个对象实例。与现有航拍图像中的目标检测数据集相比，AI-TOD 中目标的平均大小约为 12.8 像素，远小于其他数据集。 2. iSAI
在 CVPR 2017 的 ImageNet Workshop 中，演讲者介绍了挑战赛的结果，回顾了物体识别领域的顶尖成果。同时，也有挑战赛获胜者介绍研究成果在产业中的部署等。在李飞飞与 Deng Jia 的演讲中，两位演讲者对 8 年的 ImageNet 挑战赛进行了回顾与总结，以下是基于 PPT 对演讲内容的介绍：
云从表示，这已是云从在近半年以来第二次宣布刷新世界纪录。今年 4 月，云从科技跨镜追踪技术（ReID）技术在 Market-1501，DukeMTMC-reID，CUHK03 三个数据集刷新了世界纪录，其中最高在 Market-1501 上的首位命中率（Rank-1 Accuracy）达到 96.6%，让跨镜追踪技术（ReID）技术在准确率上首次达到商用水平。
机器之心报道 参与：机器之心编辑部 2017 年 7 月 18 日，ImageNet 最后一届挑战赛成绩已经公布，多个国内院校和企业在各个比赛项目上取得了非常不错的成绩。据官网信息，在 CVPR 2017 期间也会有一场 Workshop 以纪念 ImageNet 挑战赛。当地时间 7 月 26 日，李飞飞与 Jia Deng 在 ImageNet Workshop 上做主题演讲，对 8 年的 ImageNet 挑战赛历史进行了总结，并宣布之后的 ImageNet 挑战赛将转由 Kaggle 主办。最后，感
Keras是一个高层神经网络API，Keras由纯Python编写而成并基Tensorflow、Theano以及CNTK后端。Keras 为支持快速实验而生，能够把你的idea迅速转换为结果，如果你有如下需求，请选择Keras：
图片来自网络 科技日报张梦然 谷歌公司今年稍早时间宣布，他们的人工智能（AI）系统已能发明自己的加密算法，还能生成自己的AI。而据谷歌官方博客及未来主义（Futurism）新闻网近日消息称，这个由AI创造的“子AI”，性能已打败人类创造的AI：测试中，名为NASNet的“子AI”系统正确率达到82.7%，比之前公布的同类AI产品的结果高1.2%，系统效率高出4%。 2017年5月，“谷歌大脑”（GoogleBrain）的研究人员宣布研发出自动人工智能AutoML，该人工智能可以产生自己的“子AI”系统。
选自arXiv 机器之心编译 参与：李泽南、路雪 在图像识别任务中，模型的训练一直非常依赖于标注数据，同时训练结果难以泛化。香港科技大学与卡耐基梅隆大学的研究者们最近发表的研究提出时间动态图 TD-Graph LSTM 试图解决这些问题，他们的新方法也刷新了视频目标检测的业内最佳水平。该论文已入选即将在 10 月底举行的 ICCV2017 大会。 随着数据驱动方式在图像识别上的不断发展，人们对于扩大目标检测系统规模的兴趣越来越大。然而，与分类任务不同，用不同的类与边界框完整标注对象实例的方法几乎是不可扩展
关键字全网搜索最新排名 【机器学习算法】：排名第一 【机器学习】：排名第一 【Python】：排名第三 【算法】：排名第四 前言 在主成分分析（PCA）原理总结（机器学习(27)【降维】之主成分分析(PCA)详解）中对降维算法PCA做了总结。这里就对另外一种经典的降维方法线性判别分析（Linear Discriminant Analysis, 简称LDA）做一个总结。LDA在模式识别领域（比如人脸识别，舰艇识别等图形图像识别领域）中有非常广泛的应用，因此我们有必要了解下它的算法原理。在学习LDA之前，有必要
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM
