Datasets ကိုဖွင့်ပါ

ML ပုံစံများကိုလေ့ကျင့်သင်ကြားပေးမည့်ပွင့်လင်းသောအရင်းအမြစ်အချက်အလက်များကိုရှာဖွေပါ

ဒေတာအတွဲများကို ဖွင့်ပါ။

AI/ML Models များဖြင့်သင်စတင်နိုင်ရန် Open Source Datasets

သင်၏ AI & ML မော်ဒယ်များ၏ထုတ်လုပ်မှုသည်သင်လေ့ကျင့်ရန်သင်အသုံးပြုသောဒေတာများနှင့်သာသင့်လျော်သည်။ ထို့ကြောင့်သင်ဒေတာစုစည်းခြင်းနှင့်ထိုအချက်အလက်များ၏တံဆိပ်ကပ်ခြင်းနှင့်ဖော်ထုတ်ခြင်းတို့နှင့်သက်ဆိုင်သည့်တိကျမှုသည်အရေးကြီးသည်။

ထို့ကြောင့် AI / ML အစပျိုးမှုအသစ်တစ်ခုကိုသင်စတင်လိုပါကအရည်အသွေးမြင့်မားသောလေ့ကျင့်ရေးအချက်အလက်များကိုရှာဖွေခြင်းသည်သင်၏စီမံကိန်း၏စိန်ခေါ်မှုအရှိဆုံးတစ်ခုဖြစ်ကြောင်းသင်လျင်မြန်စွာသဘောပေါက်လျှင်အရည်အသွေးမြင့်အချက်အလက်အစုများသည် AI ကိုထိန်းသိမ်းသောလောင်စာဖြစ်သည်။ ML အင်ဂျင်လည်ပတ်နေပါတယ် အနာဂတ်အတွက်သင်၏ AI / ML မော်ဒယ်များကိုအခမဲ့လေ့ကျင့်သင်ကြားပေးသောပွင့်လင်းသောအချက်အလက်စာရင်းများကိုကျွန်ုပ်တို့စုစည်းထားရှိပါသည်။

အထူးပြုဒေတာအမျိုးအစားDataset အမည်စက်မှုလုပ်ငန်း / ဌာနမှတ်ချက်များ / အသုံးပြုမှုဖြစ်ရပ်မှန်ဖေါ်ပြချက်လင့်ခ်
NLPစာသားမအမေဇုံပြန်လည်သုံးသပ်ခြင်းe-commerceစိတ်ဓါတ်ခွဲခြမ်းစိတ်ဖြာသုံးစွဲသူနှင့်ထုတ်ကုန်အသေးစိတ်များပါသောလွန်ခဲ့သော ၁၈ နှစ်အတွင်းမှ ၃၅ Mn ပြန်လည်သုံးသပ်ခြင်းနှင့်အဆင့်သတ်မှတ်ချက်များအစုံအလင်ပါ ၀ င်သည်။လင့်ခ်
NLPစာသားမWikipedia Links ဒေတာယေဘုယျ၄ သန်းကျော်။ 4 ဘီလီယံင်ဆောင်းပါးများ။ စကားလုံးများနှင့်စကားစုများအပြင်စာပိုဒ်များပါသည့်စကားလုံး။လင့်ခ်
NLPစာသားမStandford သဘောထား TreebankEntertainment ကစိတ်ဓါတ်ခွဲခြမ်းစိတ်ဖြာRotten Tomatoes မှပြန်လည်ဆန်းစစ်ချက် ၁၀၀၀၀ ကျော်အတွက်စိတ်ကူးစိတ်သန်းများစုစည်းထားသည့်အချက်အလက်များသည် HTML ဖိုင်ပုံစံဖြင့်လင့်ခ်
NLPစာသားမတွစ်တာအမေရိကန်လေကြောင်းလိုင်းသဘောထားလကွောငျးစိတ်ဓါတ်ခွဲခြမ်းစိတ်ဖြာ၂၀၁၅ အမေရိကန်လေကြောင်းလိုင်းများပေါ်ရှိ Tweets များသည်အပြုသဘော၊ အနုတ်လက္ခဏာနှင့်ကြားနေလေသံသို့ကွဲပြားသွားသည်လင့်ခ်
CVimage ကို အဆိုပါတောရိုင်းအတွက်မျက်နှာများတံဆိပ်ကပ်ယေဘုယျfacial အသိအမှတ်ပြုမျက်နှာခွဲခြားထားသည့်မျက်နှာပေါင်း ၁၃၀၀၀ ကျော်ပါဝင်သည့် Dataset သည်မျက်နှာပုံသဏ္recognitionာန်အသိအမှတ်ပြုခြင်းအတွက်ပုံနှစ်ပုံနှင့်အတူ။လင့်ခ်
CVဗွီဒီယို၊UMDFaces ဒေတာအတွဲယေဘုယျfacial အသိအမှတ်ပြုရုပ်ငြိမ်ဓါတ်ပုံများပါ ၀ င်သည့်ဘာသာရပ်ပေါင်း ၈၀၀၀ ကျော်မှမျက်နှာပေါင်း ၃၆၇၀၀၀ ကျော်ပါဝင်သောမှတ်စုဒေတာဘေ့စ်။လင့်ခ်
CVimage ကို ပန်းချီဆရာယေဘုယျ14 Mn ကျော်နှင့်အတူ Dataset ကို။ WordNet အဆင့်ဆင့်အရဖွဲ့စည်းထားသောဖိုင်အမျိုးအစားအမျိုးမျိုးရှိပုံများ။လင့်ခ်
CVimage ကို Google's Open Imagesယေဘုယျ၉ သန်း အများသုံးပုံများကိုအမျိုးအစား ၆၀၀၀ ကျော်မှခွဲခြားရန် URLs များ။လင့်ခ်
NLPစာသားမMIMIC ဝေဖန်စောင့်ရှောက်မှုဒေတာဘေ့စကျန်းမာရေးစောင့်ရှောက်မှု40,000 အရေးပါစောင့်ရှောက်မှုလူနာထံမှ de- ဖော်ထုတ်ဒေတာနှင့်အတူကွန်ပျူတာဇီဝကမ္မဒေတာ။ စာရင်းဇယားများတွင်လူ ဦး ရေစာရင်း၊ အရေးကြီးသောလက္ခဏာများ၊ ဆေးဝါးများစသဖြင့်သတင်းအချက်အလက်များပါဝင်သည်။လင့်ခ်
CVimage ကိုအမေရိကန်အမျိုးသားခရီးသွားနှင့်ခရီးသွားရုံးခရီးသွားလုပ်ငန်းကမ္ဘာလှည့်ခရီးသွားလုပ်ငန်းမှယုံကြည်စိတ်ချရသောဒေတာဘေ့စ်များမှဓာတ်ပုံများကိုကျယ်ကျယ်ပြန့်ပြန့်ဖော်ပြပေးသည်။လင့်ခ်
NLPစာသားမသယ်ယူပို့ဆောင်ရေးဦးစီးဌာနခရီးသွားလုပ်ငန်းအမျိုးသားဥယျာဉ်များ၊ ယာဉ်မောင်းမှတ်ပုံတင်များ၊ တံတားများ၊ မီးရထားလမ်းများစသည့်ခရီးသွားအချက်အလက်စာရင်းများ။လင့်ခ်
NLPaudioFlickr အသံစာတန်းကော်ပိုရေးရှင်းယေဘုယျထိန်းချုပ်မှုမရှိသောမိန့်ခွန်းပုံစံများအတွက်ဒီဇိုင်းပြုလုပ်ထားသောဓာတ်ပုံ ၈၀၀၀ မှ 40k ကျော်စကားပြောစာတန်းများလင့်ခ်
NLPaudioမိန့်ခွန်း Datasetယေဘုယျမိန့်ခွန်းအသိအမှတ်ပြုမှု, အသံမှတ်ချက်အခြေခံအသံမျက်နှာပြင်တည်ဆောက်ရန်ထောင်နှင့်ချီသောတစ် ဦး ချင်းစီမှ ၁ စက္ကန့်ကြာသောစကားလုံး။လင့်ခ်
NLPaudioပတ်ဝန်းကျင်ဆိုင်ရာအသံဒေတာအစုယေဘုယျပတ်ဝန်းကျင်ဆိုင်ရာအချက်အလက်များ၊ ဖြစ်ရပ်များဇယားများနှင့် acoustic မြင်ကွင်းများဇယားများပါ ၀ င်သည်။လင့်ခ်
NLPစာသားမCOVID-19 ပွင့်လင်းသုတေသန Dataset ကျန်းမာရေးစောင့်ရှောက်မှုဆေးဘက်ဆိုင်ရာ AICOVID-45,000 နှင့် coronavirus မိသားစုတို့၏ဗိုင်းရပ်စ်နှင့်ပတ်သက်သည့်ပညာရပ်ဆိုင်ရာဆောင်းပါး ၄၅၀၀၀ ပါဝင်သည်။လင့်ခ်
CVimage ကိုWaymo ပွင့်လင်း Dataset မော်တော်ယာဉ်Waymo မှဖြန့်ချိသည့်ကွဲပြားခြားနားသည့်ကိုယ်ပိုင်မောင်းနှင်မှုဆိုင်ရာအချက်အလက်စာရင်းလင့်ခ်
CVimage ကိုတံဆိပ်ကပ်ခြင်း ပြည်သူ့အစိုးရLabelme Matlab မှတစ်ဆင့်ကြည့်ရှုနိုင်သည့်ကြီးမားသောမှတ်စုပုံများလင့်ခ်
CVimage ကိုCOIL ၁၀၀ယေဘုယျထောင့်ပေါင်းစုံမှရိုက်ကူးထားသောအရာဝတ္ထု ၁၀၀ ကျော် (ဥပမာ ၃၆၀ ဒီဂရီ)လင့်ခ်
CVimage ကိုစတန်းဖို့ဒ်ခွေး Datasetယေဘုယျကွဲပြားခြားနားသောခွေးမျိုးကွဲ ၁၂၀ ၏ပုံရိပ်ကိုခွဲခြားထားသောပုံရိပ် ၂၀,၅၀၀ ကျော်ပုံရိပ်များလင့်ခ်
CVimage ကိုမိုးလုံလေလုံမြင်ကွင်းအသိအမှတ်ပြုမှုယေဘုယျမြင်ကွင်းအသိအမှတ်ပြုမှုမြင်ကွင်းအသိအမှတ်ပြုမော်ဒယ်များတည်ဆောက်ရန်မိုးလုံလေလုံအမျိုးအစား ၆၇ ခုမှပုံရိပ် ၁၅၆၂၀ ပါဝင်သည်လင့်ခ်
CVimage ကိုVisualQAယေဘုယျတုံ့ပြန်မှုအတွက်အမြင်နှင့်နားလည်မှုကိုနားလည်ရန်လိုအပ်သည့်ဓာတ်ပုံ ၂၆၅,၀၁၆ နှင့်သက်ဆိုင်သောဖွင့်ထားသောမေးခွန်းများပါ ၀ င်သည့်အစုတစ်ခု။လင့်ခ်
NLPစာသားမMultidomain သဘောထားစိစစ်သုံးသပ်ချက် Datasete-commerceစိတ်ဓါတ်ခွဲခြမ်းစိတ်ဖြာအမေဇုံမှထုတ်ကုန်ပြန်လည်သုံးသပ်ခြင်းင် Datasetလင့်ခ်
NLPစာသားမIMDB သုံးသပ်ချက်များEntertainment ကစိတ်ဓါတ်ခွဲခြမ်းစိတ်ဖြာစိတ်ဓါတ်များခွဲခြမ်းစိတ်ဖြာဘို့ 25000 ရုပ်ရှင်ပြန်လည်သုံးသပ်င် Datasetလင့်ခ်
NLPစာသားမစေတီယေဘုယျစိတ်ဓါတ်ခွဲခြမ်းစိတ်ဖြာပိုမိုမြင့်မားသောတိကျမှန်ကန်မှုကို pre-ဖယ်ရှားထားသော Emoticons ပါသည့် tweets ပေါင်း ၁၆၀,၀၀၀ ပါ ၀ င်သည့် Datasetလင့်ခ်
NLPစာသားမပရိတ် CorpusယေဘုယျKeyprase ခွဲခြမ်းစိတ်ဖြာခြင်း။ဘလော့ဂ်ပို့စ်ပေါင်း ၆၈၁,၂၈၈ ခုပါ ၀ င်သည့် Dataset တွင်အင်္ဂလိပ်စကားလုံးအနည်းဆုံး ၂၀၀ ကြိမ်ပါ ၀ င်သည်။လင့်ခ်
NLPစာသားမအန္တရာယ်ယေဘုယျChatbot လေ့ကျင့်ရေးDataset တွင်မေးခွန်းပေါင်း ၂၀၀,၀၀၀ ကျော်ပါဝင်ပြီးအလိုအလျောက်တုန့်ပြန်မှုပြုရန်စက်သင်ယူမှုပုံစံများကိုလေ့ကျင့်ရန်အသုံးပြုနိုင်သည်လင့်ခ်
NLPစာသားမSMS Spam များစုဆောင်းခြင်းတယ်လီကွန်းSpam အသိအမှတ်ပြုမှုအင်္ဂလိပ်စာ ၅,၅၇၄ ပါဝင်သည်လင့်ခ်
NLPစာသားမYelp ပြန်လည်သုံးသပ်ခြင်းယေဘုယျစိတ်ဓါတ်ခွဲခြမ်းစိတ်ဖြာYelp မှထုတ်ဝေသော ၅ မီလီယံကျော်ပြန်လည်သုံးသပ်မှုနှင့်အတူတစ် ဦး က Databaseလင့်ခ်
NLPစာသားမUCI ရဲ့ Spambaseစီးပွားရေးလုပ်ငန်းSpam အသိအမှတ်ပြုမှုspam filter များအတွက်အသုံးဝင်သော spam အီးမေးလ်အမြောက်အများ။လင့်ခ်
CVဗွီဒီယို၊ဘာကလေ DeepDrive BDD100kမော်တော်ယာဉ်ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်နယူးယောက်နှင့်ဆန်ဖရန်စစ္စကိုfromရိယာမှတစ်နေ့တာ၏ကွဲပြားခြားနားသောအချိန်များမှဗီဒီယိုပေါင်း ၁၀၀,၀၀၀ ကျော်တွင်နာရီပေါင်း ၁၀၀ ကြာကားမောင်းခြင်းအတွေ့အကြုံများပါ ၀ င်သောမိမိကိုယ်ကို AI မောင်းနှင်သည့် AI အတွက်အကြီးမားဆုံးသောစာရင်းတစ်ခုဖြစ်သည်။လင့်ခ်
CVဗီဒီယိုComma.aiမော်တော်ယာဉ်ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ် ၇ နာရီကြာအဝေးပြေးလမ်းမကြီးတွင်ကား၏မြန်နှုန်း၊ အရှိန်၊ စတီယာရင်ထောင့်နှင့် GPS ကိုသြဒီနိတ်များပါ ၀ င်သည်လင့်ခ်
CVဗွီဒီယို၊Cityscape ဒေတာအတွဲမော်တော်ယာဉ်ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်အတွက် semantic တံဆိပ်မြို့ ၅၀ မှမှတ်တမ်းတင်ထားသော pixel-level annotations အစုပေါင်းပေါင်း ၂၀၀၀၀ နှင့်စတီရီယိုဗီဒီယိုအစီအစဉ်များတွင်အားနည်းစွာမှတ်သားထားသော frame ၂၀,5,000 ပါဝင်သည်။လင့်ခ်
CVimage ကိုKUL ဘယ်လ်ဂျီယံယာဉ်အသွားအလာလက်မှတ်အချက်အလက်များမော်တော်ယာဉ်ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်ဘယ်လ်ဂျီယံတစ်လွှားမှရုပ်ပိုင်းဆိုင်ရာကွဲပြားသောယာဉ်အသွားအလာများကို အခြေခံ၍ ဖလန်းဒါးစ်ဒေသမှယာဉ်အသွားအလာအမှတ် ၁၀၀၀၀ ကျော်ကျော်။လင့်ခ်
CVimage ကိုLISA: ထောက်လှမ်းရေးနှင့်လုံခြုံသောမော်တော်ယာဉ်များအတွက်ဓာတ်ခွဲခန်း၊ UC San Diego Datasetsမော်တော်ယာဉ်ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်ယာဉ်ကြောရှာဖွေတွေ့ရှိခြင်း၊ မီးပွိုင့်များနှင့်လမ်းကြောင်းပုံစံများပါရှိသည်။လင့်ခ်
CVimage ကိုCIFAR-10ယေဘုယျအရာဝတ္ထုအသိအမှတ်ပြုမှုအရာဝတ္ထုအသိအမှတ်ပြုခြင်းအတွက်ပုံသဏ္datasetာန် ၅၀,၀၀၀ နှင့်စမ်းသပ်မှုပုံရိပ် ၁၀,၀၀၀ (ဆိုလိုသည်မှာ ၁၀ ခန်းတွင် ၆၀,၀၀၀ ၃၂ × ၃၂ အရောင်ပုံများ) ပါဝင်သည့် Datasets တစ်ခု။လင့်ခ်
CVimage ကိုဖက်ရှင် MNISTပုံဥပမာ ၆၀,၀၀၀ နှင့် ၂၈ × ၂၈ မီးခိုးရောင်ပုံရိပ်များတွင်နမူနာပေါင်း ၁၀,၀၀၀ ပါ ၀ င်သောပုံရိပ်ကျက်စားရာပုံသဏ္datasetာန်ပါ ၀ င်သည်။ ၁၀ တန်းမှတံဆိပ်တစ်ခုနှင့်ဆက်စပ်သည်။လင့်ခ်
CVimage ကိုIMDB-Wiki ဒေတာအတွဲEntertainment ကfacial အသိအမှတ်ပြုထိုကဲ့သို့သောကျားမနှင့်အသက်အဖြစ်တံဆိပ်များနှင့်အတူမျက်နှာပုံရိပ်များ၏ကြီးမားသော Datasets ။ မျက်နှာပုံရိပ်စုစုပေါင်း ၅၂၃,၀၅၁ ခုအနက် IMDB မှကျော်ကြားသူ ၂၀,၂၈၄ နှင့်ဝီကီပီးဒီးယားမှ ၆၂,၃၂၈ တို့မှပုံရိပ် ၄၆၀,၇၂၃ ကိုရရှိသည်။လင့်ခ်
CVဗီဒီယိုအရွေ့-၇၀၀ယေဘုယျလုပ်ဆောင်မှုလူတန်းစားတစ်ခုစီအတွက်အရည်အသွေးမြင့်အချက်အလက်စုဆောင်းမှုတွင်ဗီဒီယိုကလစ် ၆၆၀,၀၀၀ ပါဝင်ပြီးအနည်းဆုံးဗီဒီယိုကလစ် ၆၀၀ နှင့်အတူလူသားလှုပ်ရှားမှုသင်တန်း ၇၀၀ ပါ ၀ င်သည်။ ဒီနေရာမှာကလစ်တစ်ခုစီက ၁၀ စက္ကန့်လောက်ပဲကြာပါတယ်။လင့်ခ်
CVimage ကိုMS ကိုကိုးယေဘုယျအရာဝတ္ထုထောက်လှမ်းခြင်း, အပိုင်းအဆိုပါ Datasets 328k ပုံရိပ်တွေပါရှိသည်နှင့်ဆက်စပ် ML မော်ဒယ်များ captioning အကြီးစားအရာဝတ္ထုရှာဖွေတွေ့ရှိမှု, segment နှင့်ဒေတာလေ့ကျင့်သင်ကြားဖို့ 2.5 Mn သာဓကနှင့် 91 အရာဝတ္ထုပုံရိပ်တွေရှိပါတယ်။လင့်ခ်
CVimage ကိုMPII လူ့ Pose Datasetယေဘုယျမှတ်သားထားသောခန္ဓာကိုယ်အဆစ်များပါ ၀ င်သောလူပေါင်း ၄၀ ကျော်ပါ ၀ င်သည့် ၂၅ ကီလိုဂရမ်ရှိသောဓာတ်ပုံများသည်လူကြိုက်များသောခန့်မှန်းတွက်ချက်မှုအတွက်အသုံးပြုသော Datasets ထဲ၌ပါဝင်သည်။ ယေဘုယျအားဖြင့်အချက်အလက်စုဆောင်းမှုသည်လူ့လှုပ်ရှားမှု ၄၁၀ ကိုဖုံးအုပ်ထားပြီးပုံတစ်ခုစီကိုလှုပ်ရှားမှုတံဆိပ်တစ်ခုတပ်ဆင်ထားသည်။လင့်ခ်
CVimage ကိုပုံများဖွင့်ပါယေဘုယျတည်နေရာမှတ်ချက်များအရာဝတ္ထု၉ မီလီမီတာရှိသောပုံရိပ်ဒေတာဘေ့စ်ပုံရိပ်အဆင့်တံဆိပ်များ၊ အရာဝတ္ထုကိုကန့်သတ်ချက်များ၊ 9 Mn ပုံရိပ်တွေအပေါ် 16 အရာဝတ္ထုအတန်းများအတွက်သေတ္တာများကန့်သတ်။လင့်ခ်
CVဗွီဒီယို၊Argo, USA မှ Argoမော်တော်ယာဉ်Bounding Box, Optical Flow, Behaviour Label, Semantic Label, Lane Markinggeometric & semantic metadata ပါ ၀ င်သော HD မြေပုံများပါဝင်သည်။ Self- မောင်းနှင်သောယာဉ်များအန္တရာယ်ကင်းစွာသွားလာနိုင်ရန်အထောက်အကူပြုသောအချက်အလက်များကို ML မော်ဒယ်များကိုလေ့ကျင့်ရန်၊ ပိုမိုတိကျသောအမြင်ဆိုင်ရာ algorithms များပြုလုပ်ရန်အသုံးပြုသည်။လင့်ခ်
CVဗီဒီယိုBosch မြောက်အမေရိကသုတေသနမှသေးငယ်သောယာဉ်အသွားအလာအလင်းများမော်တော်ယာဉ်ခညျြနှောငျ Box ကိုရူပါရုံအခြေပြုအသွားအလာအလင်းရှာဖွေနိုင်သည့်စနစ်ကိုတည်ဆောက်ရန် 13427 * 1280 resolution ရှိသောကင်မရာပုံရိပ် ၁၃၄၂၇ လုံးပါ ၀ င်သော Database တစ်ခု။ အဆိုပါ Datasets ထက်ပိုမို 720 မှတ်ချက်တွေအသွားအလာအလင်းအိမ်ရှိပါတယ်။လင့်ခ်
CVဗီဒီယိုCornell Univ မှ Brain4Cars ။ အမေရိကန်မော်တော်ယာဉ်အပြုအမူတံဆိပ်ယာဉ်မောင်းသူသတိနှင့်ပတ်သက်သောအသုံး ၀ င်သောကိန်းဂဏန်းများကိုထုတ်ယူနိုင်ရန်အတွက်အစုအဝေးအာရုံခံကိရိယာများ (ကင်မရာများ၊ ထိတွေ့နိုင်သောအာရုံခံကိရိယာများ၊ စမတ်ကိရိယာများစသည်တို့) ပါ ၀ င်သည်။ ကျွန်ုပ်တို့၏ algorithms သည်ငိုက်မျဉ်းနေသောသို့မဟုတ်အာရုံပျံ့လွင့်နေသောယာဉ်မောင်းများကိုရှာဖွေတွေ့ရှိနိုင်သည်။ ထို့အပြင်ကာကွယ်မှုတိုးတက်စေရန်အတွက်လိုအပ်သောနှိုးစက်များကိုတိုးမြှင့်နိုင်သည်။လင့်ခ်
CVimage ကိုတရုတ် Univ အသုံးပြုပုံ CULane ။ ဟောင်ကောင်, ပေကျင်း, တရုတ်မော်တော်ယာဉ်လိန်းမှတ်သားခြင်းအသွားအလာလမ်းကြောင်းကိုရှာဖွေတွေ့ရှိခြင်းဆိုင်ရာ Computer Vision Database၊ ၅၃ နာရီဗီဒီယိုများစုစုပေါင်း ၁၃၃,၂၃၅ (၈၈၈၈၀ လေ့ကျင့်ရေးအစုံ၊ ၉၆၇၅ အတည်ပြုခြင်းအစုံနှင့် ၃၄၆၈၀ စမ်းသပ်မှုအစုံ) frames များကိုထုတ်ယူခဲ့သည်။ ၎င်းကိုဘေဂျင်းရှိမတူညီသောယာဉ်မောင်းများမောင်းနှင်သည့်ယာဉ်ခြောက်စီးပေါ်တွင်တပ်ဆင်ထားသောကင်မရာများမှစုဆောင်းသည်။လင့်ခ်
CVဗီဒီယိုUniv အားဖြင့် DAVIS ။ Zurich, ETH ¨ Zurich, ဂျာမနီ၊ ဆွစ်ဇာလန်နိုင်ငံမော်တော်ယာဉ်DAVIS အဖြစ်အပျက် + ဘောင်ကင်မရာကိုအသုံးပြုသည့်အဆုံးမှအဆုံးကားမောင်းခြင်းသင်တန်းပေးသည့်အချက်အလက်။ စတီယာရင်၊ အခိုးအငှေ့ညှိရာကိရိယာ၊ ဂျီပီအက်စ်စသည့်ကားအချက်အလက်များသည်မော်တော်ယာဉ်အက်ပလီကေးရှင်းများအတွက်ဘောင်နှင့်အဖြစ်အပျက်အချက်အလက်များ၏ပေါင်းစပ်မှုကိုအကဲဖြတ်ရန်အသုံးပြုသည်။လင့်ခ်
CVဗီဒီယိုDBNet, Shanghai Jiao Tong Univ ။ , Xiamen Univ ။ , Chinaမော်တော်ယာဉ်ပွိုင့်တိမ်တိုက်, LiDARမောင်းနှင်သည့်အပြုအမူများနှင့် ပတ်သက်၍ အသေးစိတ်လေ့လာနိုင်ရန်အတွက်တူညီသောဗွီဒီယို၊ အမှတ်တံဆိပ်၊ GPS နှင့်ယာဉ်မောင်းအပြုအမူများပါ ၀ င်သည့်တကယ့်ကမ္ဘာ ၁၀၀၀ ကီလိုမီတာမောင်းနှင်မှုဒေတာ။လင့်ခ်
CVဗီဒီယိုUniv မှဒေါက်တာ (မျက်လုံး) ။ Modena နှင့်အီတလီနိုင်ငံ Modena နှင့် Reggio Emilia တို့ဖြစ်ကြသည်မော်တော်ယာဉ်အပြုအမူတံဆိပ်ဒေတာအစုသည် ၅ မိနစ်စီတွင် ၅ မိနစ်စီဗီဒီယိုဆက်တိုက် ၇၄ ခုပါ ၀ င်သည်။ ယာဉ်ကြောမောင်းနှင်မှုမြန်နှုန်း၊ သင်တန်းနှင့်ဒရိုင်ဘာအကြည့်များနှင့်၎င်းတို့၏ယာယီပေါင်းစည်းမှုများကိုတိကျစွာမြေပုံများဖြင့်တံဆိပ်ကပ်ထားသည်။လင့်ခ်
CVဗီဒီယိုETH လမ်းလျှောက်သူ (၂၀၀၉)၊ ETH Zurich၊ ဆွစ်ဇလန်၊ Zurichယေဘုယျခညျြနှောငျ Box ကို၅ မိနစ်စီကြာသော ၇၅ ဗီဒီယိုအစီအစဉ်များအစုတခုကိုပုံ ၅၀၀,၀၀၀ ကျော်ဖြင့်မှတ်သားထားသည်။ Datasets သည်ပထဝီဝင်အကိုးအကားပြုသည့်နေရာများ၊ မောင်းနှင်မှုမြန်နှုန်း၊ ဦး တည်ချက်ကိုပေးသည်။ ထို့အပြင်ယာဉ်မောင်းသူများအတွက်ကြည့်ရှုသည့် fixation များနှင့် ၄ င်းတို့၏သက်ဆိုင်ရာမြေပုံများအပါအ ၀ င်၊လင့်ခ်
CVဗီဒီယိုUniv အားဖြင့် Ford ကား (2009) ။ မစ်ရှီဂန်၊မော်တော်ယာဉ်Box ကို, ခညျြနှောငျလီဒါVelodyne 3D-lidar စကင်နာ၊ တပ်ဆင်ထားသောအလိုအလျောက်မြေအောက်ယာဉ်တစ်စီး၊ ရှေ့သို့ကြည့်ရှုနိုင်သော Rieg lidars နှစ်ခု၊ နည်းပညာနှင့်စားသုံးသူ Inertial တိုင်းတာရေးယူနစ် (IMU) နှင့် Point Grey Ladybug3 omnidirectional ကင်မရာစနစ်တို့ဖြင့်စုစည်းထားသည့် Database ။လင့်ခ်
CVဗီဒီယိုHCI Challenging Stereo၊ Bosch ကော်ပိုရေးရှင်းသုတေသန၊ Hildesheim, ဂျာမနီယေဘုယျအမျိုးမျိုးသောရာသီဥတုအခြေအနေများ၊ အမျိုးမျိုးသောရွေ့လျားမှုနှင့်အတိမ်အနက်များပါ ၀ င်သောဖမ်းယူထားသည့်ဗီဒီယိုမြင်ကွင်းများမှသန်းပေါင်းများစွာဘောင်များအစုံအလင်ပါ ၀ င်သည်။ စသည်တို့ကိုမြို့နှင့်ကျေးလက်ဒေသအခြေအနေများ၊လင့်ခ်
CVဗီဒီယိုယူကေ၊ ကနေဒါ၊မော်တော်ယာဉ်Bounding Box, အမူအကျင့်ဆိုင်ရာတံဆိပ်"JAAD ဆိုတာကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရမောင်းနှင်မှုအခြေအနေမှာပူးတွဲအာရုံစူးစိုက်မှုကိုလေ့လာရန်အတွက်အချက်အလက်များဖြစ်သည်။ အဓိကအားဖြင့်လမ်းကူးသူနှင့်ကားမောင်းသူရဲ့အပြုအမူအပေါ်အာရုံစိုက်ပြီး၎င်းတို့ကိုလွှမ်းမိုးသောအချက်များ။ ဒီအဆုံးမှာတော့ JAAD အချက်အလက်စုဆောင်းတဲ့ဗွီဒီယိုအတို ၃၄၆ ခုကိုစုဆောင်းထားပါတယ်။ clips (အရှည် ၅-၁၀ စက္ကန့်) သည်မြောက်အမေရိကနှင့်အရှေ့ဥရောပရှိနေရာများစွာမှနာရီပေါင်း ၂၄၀ ကျော်မောင်းနှင်မှုရိုက်ကူးမှုမှထုတ်ယူယူခဲ့သည်။ လူကူးမျဉ်းကုပ်များနှင့်အတူပတ် ၀ န်းကျင်အကန့်များဖြင့်လူကူးမျဉ်းကျားလမ်းလျှောက်သူရှာဖွေတွေ့ရှိရန်အဆင်ပြေစေသည်။ ဗီဒီယိုတစ်ခုစီအတွက် tag များ (ရာသီဥတု၊ တည်နေရာများစသဖြင့်) နှင့် timestamped အပြုအမူတံဆိပ်များ (ဥပမာရပ်တန့်ခြင်း၊ လမ်းလျှောက်ခြင်း၊ ကြည့်ခြင်းစသည်တို့) ရှိသည်။ ထို့အပြင်လူ ဦး ရေဆိုင်ရာအညွှန်းများစာရင်းလည်းရှိသည်။ လမ်းလျှောက်သူ (ဥပမာ၊ အသက်၊ ကျား၊ မ၊ လှုပ်ရှားမှု ဦး တည်ချက်စသည်) တစ်ခုစီအတွက်နှင့် frame တစ်ခုစီတွင်မြင်နိုင်သောအသွားအလာမြင်ကွင်းများ (ဥပမာရပ်တန့်နိမိတ်၊ အသွားအလာအချက်ပြစသည်တို့) အတွက်ထောက်ပံ့ပေးထားသည်။ "လင့်ခ်
CVimage ကိုUniv မှ LISA အသွားအလာသင်္ကေတ။ ကယ်လီဖိုးနီးယား, San Diego မှ, အမေရိကန်ပြည်ထောင်စုမော်တော်ယာဉ်ခညျြနှောငျ Box ကိုအမေရိကန်ယာဉ်အသွားအလာဆိုင်းဘုတ်များပါရှိသောဗီဒီယိုများနှင့်မှတ်စုများဘောင်များပါ ၀ င်သည့်အချက်အလက်စာရင်း။ ၎င်းကိုပုံနှစ်မျိုးနှင့်ပုံတစ်ပုံတည်းနှင့်ပုံတစ်ပုံနှင့်ဗီဒီယိုနှစ်မျိုးလုံးဖြင့်ထုတ်လုပ်သည်။လင့်ခ်
CVimage ကိုMapillary AB၊ Global မှ Mapillary Vistasမော်တော်ယာဉ်semantic တံဆိပ်ကမ္ဘာတစ်ဝှမ်းရှိလမ်းမြင်ကွင်းများကို pixel - တိကျမှုနှင့်ဥပမာ - တိကျသောလူ့မှတ်ချက်များဖြင့်ဘာသာပြန်ရန်အတွက်လမ်းအဆင့်ဓာတ်ပုံမှတ်တမ်းတစ်ခု။လင့်ခ်
CVဗွီဒီယို၊Semantic KITTI, Bonn တက္ကသိုလ်မှ, Karlsruhe, ဂျာမနီမော်တော်ယာဉ်Bounding Box၊ Semantic Label၊ Lane Markingအားလုံး Odometry Benchmark ပာများအတွက် semantic မှတ်စာပါဝင်သည်တစ် ဦး က Datasets ။ ကားများ၊ စက်ဘီးများ၊ စက်ဘီးများ၊ လမ်းသွားလမ်းလာများနှင့်စက်ဘီးစီးသူများအပါအ ၀ င်အမျိုးမျိုးသောရွေ့လျားခြင်းနှင့်ရွေ့လျားခြင်းဆိုင်ရာအမျိုးအစားများကိုမှတ်သားဖော်ပြပေးသည်။လင့်ခ်
CVဗီဒီယိုစတန်းဖို့ဒ်ယူနီဖောင်းမှစတန်းဖို့ဒ်ခရီးစဉ်။ အမေရိကန်မော်တော်ယာဉ်အရာဝတ္ထုထောက်လှမ်းခြင်း / အမျိုးအစားခွဲခြားခြင်း LiDAR, GPS, CodesVelodyne HDL-14,000E S64 LIDAR မှလေ့လာခဲ့သောသဘာဝအရမြင်ကွင်းများတွင်တံဆိပ်ကပ်ထားသောအရာဝတ္ထုပုဒ်ပေါင်း ၁၄၀၀၀ ပါ ၀ င်သည့် Database တစ်ခုသည် 2D Object Recognition အတွက်စက်လေ့လာခြင်းပုံစံများကိုလေ့ကျင့်ရန်အသုံးပြုနိုင်သည်။လင့်ခ်
CVဗွီဒီယို၊အမေရိကန်ပြည်ထောင်စု Bosch မှ Boxy Datasetမော်တော်ယာဉ်Bounding Box / ယာဉ်ရှာဖွေခြင်းကားမောင်းခြင်းတွင်ကိုယ်ပိုင်မော်တော်ယာဉ်များအတွက်အရာဝတ္ထုအသိအမှတ်ပြုမှုနည်းဗျူဟာများကိုလေ့ကျင့်ရန်နှင့်ခွဲခြမ်းစိတ်ဖြာရန်အတွက်မှတ်ပုံတင်ထားသောယာဉ် ၂ သန်းပါ ၀ င်သောယာဉ်ရှာဖွေတွေ့ရှိမှုအချက်အလက်များ။လင့်ခ်
CVဗီဒီယိုTME Motorway, Czech Technology Univ ။ , Northern Italyမော်တော်ယာဉ်ခညျြနှောငျ Box ကိုစုစုပေါင်း ၂၇ မိနစ်မျှသောဗီဒီယို ၂၈ ခုပါသော Dataset သည် ၃၀၀၀၀+ မော်တော်ယာဉ်မှတ်ပုံတင်ဘောင်ထဲသို့ကွဲသွားသည်။ မှတ်စုများကိုလေဆာကင်နာမှအချက်အလက်များကို သုံး၍ တစ်ဝက်အလိုအလျောက်ထုတ်လုပ်သည်။ ဤအချက်အလက်စုဆောင်းမှုတွင်သိမ်းဆည်းမှုအပြည့်အ ၀ ရရှိသည့်အခြေအနေများစွာကိုဖုံးအုပ်ထားသောအမျိုးမျိုးသောအသွားအလာအခြေအနေများ၊ လမ်းကြောင်းများ၊လင့်ခ်
CVဗီဒီယိုအမေရိကန်ပြည်ထောင်စု Bosch မှကြီးကြပ်မှုမပြုသော Llamasမော်တော်ယာဉ်လိန်းအမှတ်အသား, လီဒါUnsupervised Llamas Datasets ကို Lidar-based လမ်းသွားအမှတ်အသားများအပါအ ၀ င်အဆင့်မြင့်အလိုအလျောက်မောင်းနှင်မှုမြေပုံများထုတ်ပေးခြင်းဖြင့်မှတ်ချက်ချသည်။ ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရမော်တော်ယာဉ်ကိုဤမြေပုံများနှင့်ကိုက်ညီစေပြီးလမ်းသွားအမှတ်အသားများကိုကင်မရာဘောင်သို့ပြသထားသည်။ 3D projection သည်လေ့လာပြီးသောနှင့်ခန့်မှန်းထားသည့်ပုံရိပ်အမှတ်အသားများအကြားကွာဟမှုကိုအနည်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်းဖြင့်အကောင်းဆုံးဖြစ်သည်။လင့်ခ်
NLPaudioဖေ့စ်ဘွတ်ခ် AI ဘာသာစုံဘာသာစကားပေါင်းစုံ LibriSpeech (MLS)ယေဘုယျအသံမှတ်ချက် / မိန့်ခွန်းအသိအမှတ်ပြုမှုFacebook AI Multilingual LibriSpeech (MLS) သည်အလိုအလျောက်မိန့်ခွန်းအသိအမှတ်ပြုခြင်း (ASR) တွင်သုတေသနတိုးတက်စေရန်အထောက်အကူပြုသောကျယ်ပြန့်သောပွင့်လင်းသောအရင်းအမြစ်အချက်အလက်အစုံဖြစ်သည်။ အင်္ဂလိပ်၊ ဂျာမန်၊ ဒတ်ခ်ျ၊ ပြင်သစ်၊ စပိန်၊ အီတလီ၊ ပေါ်တူဂီနှင့်ပိုလန်ဘာသာစကား ၈ မျိုးဖြင့်အသံနာရီ ၅၀,၀၀၀ ကျော်ထောက်ပံ့ပေးသည်။ လင့်ခ်