深度学习数据集集合（二）

数据集集合（一）
上面是其他数据集的讲解。。

KITTI数据集 #3D目标检测用

KITTI（卡尔斯鲁厄技术研究所和丰田技术研究所）是移动机器人和自动驾驶领域最受欢迎的数据集之一。它包括用各种传感器模式记录的数小时交通场景，包括高分辨率RGB、灰度立体相机和3D激光扫描仪。尽管数据集很受欢迎，但它本身并不包含语义分割的基本事实。然而，不同的研究人员已经对数据集的部分进行了手动注释，以满足他们的需求。阿尔瓦雷斯等人从道路检测挑战中为323幅图像生成了地面真相，包括三类：道路、垂直和天空。Zhang等人注释了252次（140次用于培训，112次用于测试）采集——RGB和Velodyne扫描——来自10个目标类别的跟踪挑战：建筑物、天空、道路、植被、人行道、汽车、行人、自行车、标志/杆和围栏。Ros等人将170幅训练图像和46幅测试图像（来自视觉里程表挑战）标记为11个类别：建筑、树木、天空、汽车、标志、道路、行人、围栏、电线杆、人行道和骑自行车者。
#3D目标检测用

CelebA (CelebFaces Attributes Dataset) 人脸数据集

CelebFacesAttributes数据集包含202599张来自10177位名人的178×218大小的面部图像，每个图像都带有40个二进制标签，表示头发颜色、性别和年龄等面部属性。

Market-1501 重识别 姿态识别

Market-1501是一个用于人员重新识别的大规模公共基准数据集。它包含由六个不同摄像机捕获的1501个身份，以及使用可变形零件模型行人检测器获得的32668个行人图像边界框。每个人在每个视点处平均有3.6幅图像。数据集分为两部分：750个身份用于训练，其余751个身份用于测试。在官方测试协议中，选择3368个查询图像作为探针集，以在19732个参考图库图像中找到正确匹配。

ADE20K数据集

ADE20K语义分割数据集包含超过20K个以场景为中心的图像，这些图像用像素级对象和对象部分标签进行了详尽的注释。共有150个语义类别，包括天空、道路、草地等事物，以及人、车、床等离散对象。

有雾和对应无雾数据集

描述：2981对-无雾和雾的图像数据。收集场景包括城市道路、建筑物、商店、乡村道路、山脉、废墟、公园、海滨、花卉、树木和其他户外场景。数据多样性包括多个时间段、多个场景、多个采集角度和不同的雾度。该数据集可用于图像除雾等任务。

雷达和雾天道路数据集

我们提出了具有雾的增强KITTI数据集，用于具有从20到80米的不同能见度范围的相机和激光雷达传感器。

去雨去雾数据集 雨天数据集

具有场景深度信息的雨水去除数据集。
与之前的数据集相比，这个数据集都是户外照片，每个都有一个深度图，雨图显示了不同程度的雨和雾。

雪天道路数据集

实习项目（挪威北冰洋大学）数据集
数据集包含5个月的数据，包括天气条件、摩擦系数、行驶距离、风速、表面温度、气温等。该数据集由DIT4BEARs为挪威UiT北极大学的智能道路实习项目提供
它可以用于天气预报、道路摩擦预测、智能道路主张、减少欧洲北极地区的事故率。

数据集获取：数据集

如果对你有用还请点个赞支持下。更多数据集可以点赞私信交流。