数据集介绍 DUTLF-MV 是 DUTLF 的一部分，由 1580 个真实场景组成。该数据集的每个场景都由全焦点图像、多视图图像和相应的地面实况组成。   Accepted paper in IJCAI2019, 'Deep Light-Field-Driven Saliency Detection from A Single View', Yongri Piao, Zhengkun Rong, Light field data

数据集介绍 近年来，人们对将计算机视觉技术集成到零售行业产生了新的兴趣。自动结账 (ACO) 是该领域的关键问题之一，旨在从要购买的产品图像中自动生成购物清单。这个问题的主要挑战来自产品类别的大规模和细粒度特性，以及由于产品的不断更新，难以收集反映真实结账场景的训练图像。尽管具有重要的实践和研究价值，但这个问题在计算机视觉社区中并没有得到广泛的研究，主要是由于缺乏高质量的数据集。为了填补这一空白，

StreetScenes Challenge Framework 是用于对象检测的图像、注释、软件和性能测量的集合。 每张图像都是从马萨诸塞州波士顿及其周边地区的 DSC-F717 相机拍摄的。 然后用围绕 9 个对象类别的每个示例的多边形手动标记每个图像，包括 [汽车、行人、自行车、建筑物、树木、天空、道路、人行道和商店]。 这些图像的标记是在仔细检查下完成的，以确保对象总是以相同的方式标记，关

该数据集包含 2D 深度图像，如下图所示。像 KITTI 数据集中的 360 度 LiDAR 框架在传感器本身周围呈圆柱形。该数据集中的 2D 深度图像可以表示为您在 LiDAR 框架的圆柱体上进行了切割并将其拉直以位于 2D 平面中。这些 2D 深度图像的像素代表反射物体与 LiDAR 传感器的距离。 2D 深度图像的垂直分辨率（在我们的例子中为 64）表示用于扫描周围环境的 LiDAR 传感器

该数据集由 Carla 驾驶模拟器生成的图像组成。 训练图像是由安装在模拟车辆中的行车记录仪捕获的图像。 标签图像是分割掩码。 标签图像将每个像素分类为：左侧车道边界的和右侧车道边界。与该数据集相关的挑战是训练一个能够准确预测验证数据集的分割掩码的模型。

数据集由两组序列组成。 这些序列被命名为白天和夜晚集，指的是它们被获取的一天中的时刻，Visible和 FIR 取决于用户记录序列的相机。 白天训练 3695 个 imegas，晚上训练 3390 个图像，每个序列大约有 1500 个强制性行人注释。 用于测试两个序列的约 700 张图像，白天约有 2000 名行人，夜间约有 1500 名行人。

本数据集来自于AIM 2022 压缩图像和视频超分辨率挑战赛”中的前 5 名解决方案工作：Swin2SR: SwinV2 Transformer for Compressed Image Super-Resolution and Restoration   Please check our project SWIN2SR https://github.com/mv-lab/swin2sr ???? ????

CamSeq是一个地面数据集，可自由用于视频目标识别中的研究工作。该数据集包含 101 个 960x720 像素的图像对。 每个掩码都由文件名之外的“_L”指定。 所有图像（原始图像和真实图像）均为未压缩的 24 位彩色 PNG 格式。 该数据集最初是针对自动驾驶汽车的问题而设计的。此序列描绘了从一辆动感的汽车拍摄的剑桥市的动感驾驶场景。这是一个具有挑战性的数据集，因为除了汽车的自我运动之外，其他

该新闻数据集是印度次大陆从 2001 年初到 2022 年第一季度的重要事件的持久历史档案，由印度记者实时记录。它包含印度时报发布的大约 360 万个事件。 大部分数据集中在印度地方新闻，包括国家、城市和娱乐。 由Rohit Kulkarni编写    

该数据集已特别针对非洲地区进行了改进。 两个开源数据集仅用于提取非洲地区使用的交通标志。该数据集包含来自所有类别的 76 个类，例如 监管、警告、指南和信息标志。 该数据集总共包含 19,346 张图像和每个类别至少 200 个实例。