这个数据集由500个identity的约共7000张图片组成，这个数据集的特别之处在于对于每个人，它有10张正面图像和4张侧面图像，这对于想要做侧脸识别的同学还是很有帮助的。侧脸识别差的原因可以说是现在的数据集基本基于正脸，而深度学习的特征太依赖于数据集了。现在处理侧脸的方法一般是3D人脸特征点检测或者生成模型，这些方都比较消耗资源，而且暂时没法很好的处理特别侧脸的情况。另一种办法是分开训练对应正脸和侧脸的模型，这一方面也会很消耗计算机资源。在深度特征层的转化可以在不增加过多参数量的情况下实现将侧脸特征映射为正脸的功能，而类似于GAN的转化一般是基于整张图像的，会更加消耗资源，而对特征向量的转化相对来说资源消耗会小的多。用GAN来可视化人脸特征转化后的效果还是蛮不错的。

关键词提取数据集 用于开发、评估和测试关键字提取算法的不同数据集。 有关基准性能，请参阅：O. Medelyan。 2009. 。 博士论文。 新西兰怀卡托大学。 使用受控词汇表或同义词库作为来源提取关键字： NLM_500.zip - 500 个带有 MeSH 术语的 PubMed 文档 fao780.tar.gz - 780 份带有Agrovoc术语的粮农组织出版物 fao30.tar.gz - 30 份粮农组织出版物，每份均由 6 位专业的粮农组织索引员注释 自由文本关键字提取（没有词汇表）： citeulike180.tar.gz - 从CiteULike抓取的 180 个出版物，以及保存这些出版物的不同 CiteULike 用户分配的关键字 SemEval2010-Maui.zip - Maui 格式的关键数据 keyphrextr.tar.gz - 使用 SemEval-

python code to read and process remote sensing data

口语情感识别数据集：语音中情感识别/检测目的的数据集的集合。 该表按时间顺序排列，并包含每个数据集内容的描述以及所包含的情感。 数据集 年 内容 情绪化 格式 尺寸 语 纸 使用权 执照 2021年 40小时，由70多位讲英语的人提供6,000多个25,000多个句子的6,000多个录音（有关详细信息，请参见数据库链接）。 以价，唤醒和可信赖为特征的连续情感维度。 音频，视频，文字 15 GB 英语 禁止进入 根据学术许可和商业许可提供 2020年 超过100位演讲者提供了100小时的服务（有关详情，请参见数据库链接）。 该语料库使用基于属性的描述符（激活，支配和价）和分类标签（愤怒，幸福，悲伤，厌恶，惊讶，恐惧，鄙视，中立等）用情感标签进行注释。 声音的 -- -- 禁止进入 根据学术许可和商业许可提供 2020年 各种各样的发言人录制的唱片及其相关的录音作品。 4种情

很棒的公共数据集 注意：此由自动生成。 请不要直接修改此文件。 我们提供来贡献超赞的公共数据集。 进行更多交流。 我很好。 请解决我。 高质量。 它们是从博客，答案和用户响应中收集和整理的。 下面列出的大多数数据集都是免费的，但是有些不是。 其他惊人的超赞列表可以在列表中找到。 目录 [ ] [ ] [ ] NIH芯片数据 [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] 纽约证券交易所市场数据 [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ]中的数据 [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [

Open Radar Datasets.zip，这是一份不错的文件

MiddleBurry双目数据集 2014 Stereo datasets with ground truth。 测距 点云

TensorClus TensorClus（张量聚类）是第一个Python库，旨在对张量数据进行聚类和共聚。 它允许轻松地进行张量聚类，变形分解或张量学习和张量代数。 TensorClus允许与其他python软件包（例如NumPy，Tensorly，TensorFlow或TensorD）轻松交互，并在CPU或GPU上大规模运行方法。 它支持主要的操作系统，即Microsoft Windows，macOS和Ubuntu 。 源代码： : Jupyter笔记本： : 简要描述;简介 TensorClus库提供了多种功能： 几个数据集 张量与各种数据类型的共聚 张量分解和聚类 可视化 要求 numpy == 1.18 . 3 pandas == 1.0 . 3 scipy == 1.4 . 1 matplotlib == 3.0 . 3 scikit - learn == 0.

矿泉水数据集datasets和分类模型

华侨城 OCTIS（优化和比较主题模型很简单）旨在训练，分析和比较主题模型，其最佳超参数通过贝叶斯优化方法进行估算。 安装 您可以使用以下命令安装OCTIS： pip install -e . 您可以在requirements.txt文件中找到需求。 特征 我们提供了一组最新的预处理文本数据集（或者您可以预处理自己的数据集） 我们提供了一组著名的主题模型（经典模型和神经模型），或者您可以集成自己的模型 您可以使用几种最新的评估指标来评估模型 您可以使用贝叶斯优化相对于给定指标优化模型的超参数 我们提供了一个简单的网络信息中心，用于启动和控制优化实验 获取预处理的数据集 要获取数据集，您可以使用内置源之一。 from octis . dataset . dataset import Dataset dataset = Dataset () dataset . load ( "oc