向AI转型的程序员都关注了这个号👇👇👇
大数据挖掘DT数据分析 公众号: datadw
CIFAR-10包含10个类别,50,000个训练图像,彩色图像大小:32x32,10,000个测试图像。
下载地址
https://www.cs.toronto.edu/~kriz/cifar.html
(类别:airplane,automobile, bird, cat, deer, dog, frog, horse, ship, truck)
(作者:Alex Krizhevsky, Vinod Nair, and Geoffrey Hinton)
(数据格式:Python版本、Matlab版本、二进制版本<for C程序>)
CIFAR-100
下载地址
https://www.cs.toronto.edu/~kriz/cifar.html
与CIFAR-10类似,包含100个类,每类有600张图片,其中500张用于训练,100张用于测试;这100个类分组成20个超类。每个图像有一个"find" label和一个"coarse"label。
下载地址
http://rodrigob.github.io/are_we_there_yet/build/classification_datasets_results.html
包含数据集:MNIST、CIFAR-10、CIFAR-100、STL-10、SVHN、ILSVRC2012 task 1
ILSVRC: ImageNet Large Scale Visual Recognition Challenge
下载地址
http://www.image-net.org/challenges/LSVRC/2014/
下载地址
http://www.image-net.org/
ImageNet相关信息如下:
1)Total number of non-empty synsets: 21841
2)Total number of images: 14,197,122
3)Number of images with bounding box annotations: 1,034,908
4)Number of synsets with SIFT features: 1000
5)Number of images with SIFT features: 1.2 million
下载地址
http://mscoco.org/
COCO(Common Objects in Context)是一个新的图像识别、分割、和字幕数据集,它有如下特点:
1)Object segmentation
2)Recognition in Context
3)Multiple objects per image
4)More than 300,000 images
5)More than 2 Million instances
6)80 object categories
7)5 captions per image
8)Keypoints on 100,000 people
COCO 2016 Detection Challenge(2016.6.1-2016.9.9)
http://mscoco.org/dataset/#detections-challenge2016
和COCO 2016 Keypoint Challenge(2016.6.1-2016.9.9)
http://mscoco.org/dataset/#keypoints-challenge2016
已经由Microsoft发起 由ECCV 2016(ECCV:European Conference On Computer Vision )。
1)RGB-D People Dataset
http://www2.informatik.uni-freiburg.de/~spinello/RGBD-dataset.html
2)NYU Hand Pose Dataset
http://cims.nyu.edu/~tompson/NYU_Hand_Pose_Dataset.htm
code
https://github.com/jonathantompson/ModelFit
3)Human3.6M (3D Human Pose Dataset)
http://vision.imar.ro/human3.6m/description.php
《Iterated Second-Order Label Sensitive Pooling for 3D Human Pose Estimation》
1)LFW (Labeled Faces in the Wild)
http://vis-www.cs.umass.edu/lfw/index.html
1)Middlebury Stereo Datasets
http://vision.middlebury.edu/stereo/data/
2)KITTI Vision Benchmark Suite
http://www.cvlibs.net/datasets/kitti/eval_scene_flow.php?benchmark=stereo
1)Deep Drive
http://deepdrive.io/
2)Source Code and Data
http://deepdriving.cs.princeton.edu/
人工智能大数据与深度学习
搜索添加微信公众号:weic2c
长按图片,识别二维码,点关注
大数据挖掘DT数据分析
搜索添加微信公众号:datadw
教你机器学习,教你数据挖掘
长按图片,识别二维码,点关注