财务会计准则委员会
在中国学生自动驾驶大赛的动态学科中需要认识到的锥体的开放源数据集。
中文版文档见：
如何获取数据集
该数据集来自您的贡献。 您首先需要将您团队的数据集发送给我们。 验证数据集的有效性之后，我们将向您发送我们拥有的所有当前数据集。 为了促进数据集的增长，我们设置了最少600张图像的贡献量。
如何发送数据集
为了解决传输大文件的问题，我们建议使用进行文件上传。 上传完成后，您需要手动将下载代码发送到电子邮件地址： 。
注释类型
暗网YOLO
Darknet对标签使用归一化的图像尺寸，并通过其类别，中点，宽度和高度定义感兴趣区域（ROI）
# darknet-label.txt
0 0.255078125 0.545833333333 0.02421875 0.0583333333333
0 0.41328125 0.613194444444 0.040625 0.0
2021-11-02 14:54:12
3.83MB
1
作物/杂草田地图像数据集
作物/杂草田地图像数据集 (CWFID) 随附以下出版物：“Sebastian Haug, Jörn Ostermann：用于评估基于计算机视觉的精准农业任务的作物/杂草田地图像数据集， 研讨会， ”
该数据集包括田野、植被分割和作物/杂草植物类型。 该论文提供了详细信息，例如现场设置、采集条件、图像和地面实况数据格式。
您可以在此处完整的数据集： 。
纸
可获取纸张。
书目：
@inproceedings{haug15,
author={Haug, Sebastian and Ostermann, J{\"o}rn},
title={A Crop/Weed Field Image Dataset for the Evaluation of Computer Vision Based Precision Agriculture Tasks},
2021-10-27 21:23:26
86.14MB
1
该存储库旨在托管可用于vtk.js示例和演示的数据集。 要了解有关vtk.js的更多信息，请单击此。
2021-10-26 18:13:32
324.42MB
1
DeepFish（评估水下视觉分析算法的现实鱼类栖息地数据集）
被《自然科学报告》 接受
安装要求
pip install -r requirements.txt
pip install git+https://github.com/ElementAI/LCFCN
下载
从下载DeepFish数据集
1.对单个图像进行训练和测试
本土化
python scripts/train_single_image.py -e loc -d ${PATH_TO_DATASET}
这将输出以下图像
分割
python scripts/train_single_image.py -e seg -d ${PATH_TO_DATASET}
这将输出以下图像
2.对数据集进行训练和测试
运行以下命令以重现本文中的实验：
python trainval.py -e ${TASK} -sb ${SAVEDIR
2021-10-26 15:19:10
62.4MB
1
BinaryDataMaker
它能做什么：
您可以按照任何逻辑规则创建任何二进制数据集。
节点安装
npm i binary_data_maker
入门
以这种方式要求功能：
const { makeData } = require ( 'binary_data_maker' ) ;
以这种方式创建数据集，指定二进制数将具有的位数：
let data = makeData ( 4 ) ;
console . log ( data ) ;
这输出：
[
{ input : [ 0 , 0 , 0 , 0 ] , target : [ 0 , 0 , 0 , 1 ] } ,
{ input : [ 0 , 0 , 0 , 1 ] , target : [ 0 , 0 , 1 , 0 ] } ,
{ input : [ 0 , 0 , 1 , 0 ] , tar
2021-10-22 17:03:17
4KB
1
服装样式数据集
一个大型数据集，其中包含六类服装图案的图像：实心，条纹，点缀，方格，之字形和花卉。
请注意，此数据集中的图像可能受版权保护，因此我们不会将其公开。 取而代之的是，我们提供下载原始图像的URL，以及重建数据集所需的裁剪/缩放信息。
请参考文件googleClothingDataset.csv以下载数据集图像。 每行包含一个图像源，其中包含类名称，图像URL，原始尺寸，裁剪窗口以及一个或多个比例。 对于每个下载的图像，首先使用提供的矩形裁剪图像，然后创建合成变体，如下所示：
生成224x224像素的图像，其中裁剪后的原始图像位于帧的中心。
使用列出的值缩放图像
对于每个比例，通过以30度为增量旋转图像来生成12个变化
FingerCamera文件夹中包含的图像可以不受限制地免费使用。 如果您使用这些图像发布任何作品，请引用以下论文：
@InProceedings{me
2021-10-21 20:33:31
412.78MB
1
加州住房数据集
开发了机器学习模型来预测加利福尼亚住房数据集的中位数房屋价值特征。 使用了三种算法：线性回归，XGBoost和TensorFlow / Keras神经网络。
在模型训练之前进行了要素工程，包括Z分数归一化，对数缩放，要素添加（总卧室与总房间的比率），要素修剪和要素合并以及经度和纬度的交叉。
对于所有这三种算法，均使用工程特征的不同组合绘制R平方图，以观察有效性。 然后，根据算法以图形方式编辑这些图，以便于比较。
下面提供了每种算法的图例，这些图例将数值链接到一组工程特征。 该存储库中提供的机器学习脚本与图例重合，例如，XGBoost的“ 1：无特征工程”与XGBoost文件夹中的“ californiaHousingXGBoost1.py”重合。
R平方图位于每个父算法文件夹内的各个“图”文件夹中。 其中提供了单独的.svg图形，用于以下图例中列出的功能工程集的所有
2021-10-21 20:30:58
33.66MB
1
MVI评估
缺少价值估算和评估，尤其是对于基于MS的代谢组学数据集
MVI_global.R包含一些全局基本功能。
Impute_wrapper.R包含不同的插补包装函数，您可以将自己的插补方法以XXX_wrapper的名称添加到此文件以进行评估。
插补评估R包含我们的插补评估渠道（缺失生成，插补，评估）。
2021-10-16 10:06:54
471KB
1