数据集介绍该数据集专注于在各种人群和复杂事件中进行非常具有挑战性和现实性的以人为中心的分析任务，包括地铁上下车、碰撞、战斗和地震逃生。并且具有大规模和密集注释的标签，涵盖了以人为中心的分析中的广泛任务。Cite as:arXiv:2005.04490[cs.CV] (orarXiv:2005.04490v5[cs.CV]for this version) https://doi.org/10.48

数据集介绍：作者们提供了一个立体图像对数据集，适用于上身人的立体人体姿态估计。 SHPED 由 630 个立体图像对（即 1260 个图像）组成，分为 42 个视频片段，每个片段 15 帧。 这些剪辑是从 26 个立体视频中提取的，这些视频是从 YouTube 获得的，标签为 yt3d:enable = true。 此外，SHPED 包含 1470 条火柴人上身注释，对应于 49 个人根据这些条件

该数据集包含YOLO格式的足球和板球的注释图像，为Open Image Dataset 的一个子集。

在这项工作中，我们构建了一个大规模的 logo 数据集 Logo-2K+，它涵盖了来自真实世界 logo 图像的各种 logo 类别。 我们生成的徽标数据集包含 167,140 张图像，具有 10 个根类别和 2,341 个类别。

Argoverse针对的任务：3D追踪和动作预测，两个任务对应的数据集其实是独立的，只是采集设备和采集地点一样而已。提供了360度的视频和点云信息，并根据点云重建了地图，全天候全光照。标注了视频和点云中的3D bounding box。3D追踪的数据集包含113段15-30秒的视频，动作预测中包含323,557段5秒的视频（总计320小时）。数据集的主要亮点还是在原始数据和地图的联动上。

该数据集为自动驾驶车辆提供了易于使用的训练数据。 提供驾驶视频中每一帧对应的转向角、加速度、刹车和档位。 这段视频是使用安装在汽车挡风玻璃上的摄像头录制的，该汽车沿着印度喀拉拉邦的道路行驶。

自 2005 年以来，整体幸福感正在下降，而悲伤和愤怒等负面情绪却在上升。更糟糕的是，越来越多的年轻人患有精神疾病、成瘾及其后果。在某种程度上，这是可以理解的。如今，在世界上发生的一切事情中，很难在精神上维持生计。难怪我们可以解决最轻微的问题。但是我们会因为不知道如何处理这一切而感到难过，并且会更深地陷入不快乐。本数据集收集了排名前33名的关于幸福的书籍、评论和引用。  

该数据集是麻省理工学院提供的原始数据。室内场景识别是高层次视觉中一个具有挑战性的开放性问题。 大多数适用于室外场景的场景识别模型在室内领域表现不佳。主要困难在于，虽然一些室内场景（例如走廊）可以通过全局空间属性很好地表征，但其他的（例如书店）可以通过它们包含的对象更好地表征。 更一般地说，为了解决室内场景识别问题，我们需要一个可以利用局部和全局判别信息的模型。   该数据库包含 67 个室内类别，

关于 Github 上的 1000 个最受欢迎的关键字存储库的详尽数据   数据在 JSON 文件中。每个文件都有根据文件名本身提到的搜索词出现的前 1000 个repositories。这些是对应于文件中每个对象的键{'created':'description':'forks':'fullname':'id':'language':'open issues': 'repo name':'sta

城市景观数据（数据集主页）包含从德国驾驶的车辆中拍摄的标记视频。此版本是作为 Pix2Pix 论文的一部分创建的已处理子样本。数据集包含来自原始视频的静止图像，语义分割标签与原始图像一起显示在图像中。这是语义分割任务的最佳数据集之一。   该数据集有 2975 个训练图像文件和 500 个验证图像文件。 每个图像文件为 256x512 像素，每个文件是与图像左半部分的原始照片以及右半部分的标记图像