一、计算机视觉数据集收集
1. Kitty数据集
数据链接：http://www.cvlibs.net/datasets/kitti/
主要应用方向：用于评测立体图像(stereo)，光流(optical flow)，视觉测距(visual odometry)，3D物体检测(object detection)和3D跟踪(tracking)等计算机视觉技术在车载环境下的性能。
数据说明：
（1）数据集概述https://blog.csdn.net/solomon1558/article/details/70173223。
1）评测核心：计算机视觉技术在车载环境下的性能。
2）描述数据集的论文：
（a）Are we ready for Autonomous Driving? The KITTI Vision Benchmark Suite
（b）Vision meets Robotics: The KITTI Dataset
（2）涵盖场景：包含市区、乡村和高速公路等场景采集的真实图像数据，
每张图像涵盖车辆15+、行人30+。
（3）数据集组成：389对立体图像和光流图
39.2km视觉测距序列
200k+ 3D标注物体的图像
以10Hz的频率采样
（4）标签分类：
1）大类：’Road’, ’City’, ’Residential’, ’Campus’ 和 ’Person’
2）对于3D物体检测：car, van, truck, pedestrian, pedestrian(sitting), cyclist, tram、misc。使用激光雷达的坐标系，标签存储于date_drive_tracklets.xml（date表示日期，drive表示序列号），每条标注包含（所属类别，3D尺寸（height，weight和length））
（5）评估方法：
1）对于立体图像和光流，依据disparity与end-point error计算得到平均错误像素数目
2）对于数据测距和SLAM任务，根据轨迹终点的误差进行评估。传统的方法同时考虑平移和旋转的误差。
————————————————
2. Oxford RobotCar数据集
数据链接：https://www.cityscapes-dataset.com/
主要应用方向：自动驾驶视觉场景分析
数据说明：
（1） 数据集概述
1）评测核心：旨在建立长期自治的自动驾驶数据集
2）描述数据集的论文：Year, 1000km: The Oxford RobotCar Dataset，http://robotcar-dataset.robots.ox.ac.uk/images/robotcar_ijrr.pdf
2）http://ori.ox.ac.uk/publications/包含研究发表的内容和各类数据集
（2） 涵盖场景：牛津大学校园内路测，1010.64公里，时长一年半。在各种天气条件下收集数据，包括大雨，夜间，阳光直射和积雪，也包含施工路段行驶场景。
（3） 数据集组成：
1）数据存储格式：图像数据以8位Bayer的PNG格式存储，可通过MATLAB的demosaic转换为RGB，激光雷达数据以双精度浮点型二进制格式存储，GPS和INS以ASCII格式存储，时间戳timestamp单位为毫秒。
（4）评估方法：使用自动驾驶感知类评价方法。
3. Cityscape数据集（目前公认最具权威性和专业性图像语义分割评测集之一）
一个面向城市道路街景语义理解的数据集
数据链接：https://www.cityscapes-dataset.com/
主要应用方向：图像语义分割（像素分割、实例分割）
数据说明：
（1）数据集概述
1）评测核心：评价像素级分割和实例级分割能力
2）描述数据集的论文：https://arxiv.org/pdf/1604.01685.pdf
（2）涵盖场景：50个城市不同情况下的街景，以及30类物体标注
（3）数据集组成
5000张精细标注的图像、20000张粗略标注的图像、30类标注物体
（4）标签分类：30类标注物体
（5）评估方法：用PASCAL VOC标准的 intersection-over-union （IoU）得分来对算法性能进行评价。
4. Comma.ai数据集（核心方法为CNN）
数据链接：https://github.com/commaai/research
主要应用方向： 图像识别
数据说明：
（1）数据集概述
1）评测核心：
2）描述数据集的论文： https://github.com/commaai/research
https://arxiv.org/abs/1608.01230
（2）涵盖场景：高速公路视频数据
（3）数据集组成
包括10个可变大小的视频片段，以20 Hz的频率记录；
记录了一些测量值，如汽车速度，加速度，转向角，GPS坐标，陀螺仪角度。这些测量值将转换为统一的100 Hz，
5. Udacity数据集（目标检测数据集）
数据链接：https://github.com/udacity/self-driving-car/tree/master/datasets
主要应用方向： 目标检测、自动驾驶
数据说明：
（1）数据集概述
1）评测核心：检测目标检测任务性能
2）描述数据集的论文：https://github.com/udacity/self-driving-car/tree/master/annotations
（2）涵盖场景：
（3）数据集组成
除了车辆拍摄的图像以外，还包括车辆本身的属性和参数信息，例如经纬度、制动器、油门、转向度、转速。
数据组成：左上角、右下角坐标，图片名，类别
（4）评估方法：感知类算法评价指标
6. BDDV数据集
Berkeley的大规模自动驾驶视频数据集
数据链接：http://data-bdd.berkeley.edu/#video
主要应用方向：
数据说明：
（1）数据集概述
1）评测核心：自动驾驶感知类性能测试
（2）涵盖场景：
（3）数据集组成：在一天中的许多不同时间，天气条件和驾驶场景中探索超过1,100小时驾驶体验的100,000个高清视频序列。我们的视频序列还包括GPS位置，IMU数据和时间戳
每类任务详细数据信息：http://bdd-data.berkeley.edu/wad-2018.html
————————————————
2、语音语义数据集收集
3、NLP类