机构: Google

MIAP 全称 More Inclusive Annotations for People，是 Open Images 数据集中一个子集的拓展，共包含 10 万张图像（7 万张来自训练集，3 万张来自测试/验证集）。图像中的所有可见人物均标注边界框和属性，属性包括性别（主要是女性…

Visual Wake Words 是一个常见的微控制器视觉用例，用于识别图像中是否存在人。该数据集评估了 minival image ID 的准确性，并使用 COCO 数据集中的 115k 张图像进行训练。 Visual Wake Words 为微型视觉模型提供了一个现实的基准…

WIT 全称 Wikipedia-based Image Text，是一个大型多模态多语言数据集。该数据集由 3,760 万个实体丰富的图像-文本示例的精选集组成，其中包含 108 种 Wikipedia 语言中的 1,150万 个唯一图像。该数据集的规模使其可以用作多模态机器学…

Google Landmarks 谷歌地标数据集，包含来自12,894 个地标的 1,060,709 张图像以及 111,036 张额外的查询图像。该数据集中的图像是在世界各地拍摄的。每张图像都与一个GPS坐标相关。这个数据集用于训练和评估大规模图像检索模型。

Quick, Draw! Dataset 是 5000 万幅绘画作品的集合，这些作品共有 345 类，由游戏 Quick, Draw! 的玩家创作提供。这些作品被收录为时间戳向量，并用元数据进行标注，包括游戏中玩家收到的创作要求、玩家所在的国家。

YT-UGC 全称 YouTube UGC，是一个大规模的用户生成内容数据集。该数据集包含从 150 万个上传视频中挑选出 1,500 个视频。这些视频被分为 15 个类别，每一个视频都含有不同的分辨率和码率。 每一个视频都有经过主观实验得到的 MOS 分数，对于一些比较流行的类…

ACID 是一个空中海岸线图像数据集，其中包含有相机参数丰富的自然场景数据。该数据集包含来自 YouTube 的数千个涉及不同海岸线和自然场景的空中无人机视频。通过运行 structure-from-motion 来获得相机位置，并以与 RealEstate10k 数据集相同的格…

YouTube-100M 数据集包含 1 亿个 YouTube 视频。其中包括 7,000 万个训练视频，1,000 万个评估视频，以及 2,000 万个验证视频。每个视频平均 4.6 分钟，总共有 540 万个训练小时。 该数据集涵盖超过 30K 个类别标注，标注是根据每个视频…

Kinetics-600 是一个大规模动作识别数据集，是 Kinetics-400 数据集的一个扩展。该数据集由涵盖 600 个动作类别的约 48 万个视频组成。这些视频被分为 390K、30K、60K，分别用于训练集、验证集和测试集。数据集中的每个视频都是 10 秒动作片段，由…

CxC 全称 Crisscrossed Captions，是一个图像字幕数据集，包含 247,315 个人工标记的标注。 该数据集使用图像-文本对，文本-文本对和图像-图像对的语义相似性评级扩展了 MS-COCO 数据集的开发和测试范围。

Meta-Dataset 是一个大型的小样本学习基准。该数据集不对小样本任务做限制（不要求必须具备固定的方式及镜头），因此代表了一个更真实的场景。 该数据集由来自不同领域的 10 个数据集组成： ILSVRC-2012 （ImageNet 数据集，由涉及 1,000 个类别的自然…

Sports-1M 数据集包含 100 多万个视频，视频是通过作者指定的 YouTube 网址获得的。 自数据集汇编以来，大约 7%（截至 2016 年）的视频已经被 YouTube 上传者删除。然而，数据集中仍包含超过一百万个视频，包含 487 个与体育相关的类别，每个类别有 …

dSprites 全称 Disentanglement testing Sprites dataset，是一个由 6 个独立的 ground truth 潜在因子 （latent factor）按程序生成的 2D 图形数据集。这些 factor 包括某个角色的颜色、形状、比例、旋…

Kinetics 是一个大规模且高质量的以人类动作为主的 YouTube 视频链接数据集，包含 65 万个视频片段，依据数据集版本不同，分别涵盖 400/600/700 种人类行为分类。 这些动作以人为主，涵盖内容广泛，包括人与物体的交互，比如弹奏乐器，以及人与人之间的互动，如握…