本数据集汇总了2015年-2018年间的一些真实的新闻和虚假的新闻,包含每篇新闻的主题类型、标题、正文和日期。
该数据集提供通过 carla 自动驾驶汽车模拟器捕获的数据图像和标记语义分割。 这些数据是作为 lyft udacity challenge 的一部分生成的。 该数据集可用于训练 ml 算法以识别图像中汽车、道路等的语义分割。 数据有5组1000张图片和对应的标签。
数据集介绍:inria 航空影像标注解决了遥感中的一个核心主题:航空影像的自动像素级标注(论文链接)。数据集特点:覆盖面积 810 平方公里(405 平方公里用于训练,405 平方公里用于测试)空间分辨率为 0.3 m 的航空正射校正彩色图像两个语义类的地面实况数据:构建和非构建(仅针对训练子集公开披露)这些图像涵盖了不同的城市住区,从人口稠密的地区(例如,旧金山的金融区)到高山城镇(例如,奥地利
m2caiseg是根据真实世界外科手术的内窥镜视频源创建的。数据由 307 张图像组成,每张图像都针对场景中存在的器官和不同的手术器械进行了注释。 if you use this dataset in your work, kindly do cite our paper: @article{maqbool2020m2caiseg, title={m2caiseg: semantic se
context in this dataet, we introduce dtl models to classify limited covid-19 chest ct scan digital images. to input adopting ct images of the chest to the dcnn, we enriched the medical chest ct images
casia-hwdb-t包括56,469个二字或多字触摸字符串,其中1,818个字符串有多个触摸字符。 作者还将接触字符串划分为 50,157 个全中文字符串、2,788 个全数字字符串、328 个全字母字符串和 3,196 个混合字符字符串。 所有的字符串都标注了字符类、触摸点的位置以及字符串高度和平均笔画宽度等辅助值。 publication: liang xu, fei yin, qiu
数据集介绍: 单图像去叠是一个不适定问题,最近引起了重要关注。尽管在过去几年中,人们对去雾的兴趣显著增加,但由于缺乏真实的雾度和相应的无雾度参考图像对,去雾方法的验证在很大程度上仍然不令人满意。为了解决这一局限性,我们引入了一种新的去雾数据集稠密雾。《浓雾》以浓密均匀的朦胧场景为特征,包含33对真实的朦胧图像和各种室外场景的相应无霾图像。通过引入由专业雾霾机器生成的真实雾霾来记录雾霾场景。朦胧和无
describtionnwpu vhr-10数据集包含800个高分辨率的卫星图像,这些图像是从google earth和vaihingen数据集裁剪而来的,然后由专家手动注释。数据集分成10类(飞机,轮船,储罐,棒球场,网球场,篮球场,地面跑道,港口,桥梁和车辆)。使用数据集请引用下述论文:[1] gong cheng, junwei han, peicheng zhou, lei guo. mu