CULane 是一个大规模的具有挑战性的数据集，用于交通车道检测的学术研究。 它是由安装在北京不同司机驾驶的六辆不同车辆上的摄像头收集的。 收集了超过 55 小时的视频，提取了 133,235 帧。 在每一帧中，交通车道都用三次样条手动注释。 对于车道标记被车辆遮挡或看不见的情况，仍根据上下文进行车道注释。 障碍物另一侧的车道没有注释。 在这个数据集中，主要关注的是四车道标记的检测，这在实际应用中

数据集介绍EDS 数据集针对由机器硬件参数引起的难以察觉的域间偏移问题研究，包含了来自 3 台不同 X 光机器的 14219 张图片, 其中 10 类物品, 共计 31655 个目标实例，均由专业标注人员进行标注。PrerequisitesPython 3.6Pytorch 0.4.1CUDA 8.0 or higherCompilepip install -r requirements.txtc

该数据集是为美国专利短语到短语匹配竞赛提供的。它通过提供context列中每个代码的含义来添加附加信息。  

数据集介绍： NJU2K是一个包含 1,985 个图像对的大型 RGB-D 数据集。立体图像是从互联网和 3D 电影中收集的，而照片是由富士 W3 相机拍摄的。  

该数据集是被CVPR 2015 论文“用于细粒度分类和验证的大规模汽车数据集”所使用的。综合汽车 (CompCars) 数据集包含来自两个场景的数据，包括来自网络自然和监视自然的图像。 web-nature 数据包含 163 个汽车制造商和 1,716 个汽车型号。 总共有 136,726 张拍摄整车的图像和 27,618 张拍摄汽车零件的图像。 完整的汽车图像标有边界框和视点。 每个车型都标有五

为了为未来交通灯识别 (TLR) 研究的比较提供共同基础，我们根据美国道路的镜头收集了一个广泛的公共数据库。该数据库收集于美国加利福尼亚州圣地亚哥。该数据库提供了四个主要用于测试的白天和两个夜间序列，提供了在太平洋海滩和圣地亚哥拉霍亚的 23 分 25 秒的驾驶时间。该数据库由连续测试和训练视频序列组成，共有 43,007 帧和 113,888 个带注释的交通信号灯。这些序列由安装在车辆车顶上的立

数据集主要包含： 图像数据：可能包含陨石坑的火星和月球表面图像。数据源混杂。对于火星图像，图像主要来自 ASU 和 USGS；目前所有月球图像都来自美国宇航局月球勘测轨道器任务。所有图像均使用 RoboFlow 进行预处理，以去除 EXIF 旋转并将大小调整为 640*640。 标签：每个图像都有其关联的 YOLOv5 文本格式的标签文件。标注工作由我们自己完成，主要用于物体检测。 训练好的 Y

数据集介绍：Penn Action Dataset（宾夕法尼亚大学）包含 15 个不同动作的 2326 个视频序列以及每个序列的人类联合注释。ReferenceIf you use our dataset, please cite the following paper:Weiyu Zhang, Menglong Zhu and Konstantinos Derpanis, "From Actem

大多数以前的图像去噪方法都集中在加性高斯白噪声（AWGN）上。然而，随着计算机视觉技术的进步，现实世界中的噪声图像去噪问题也随之而来。为了在实现并发真实世界图像去噪数据集的同时促进对该问题的研究，作者们构建了一个新的基准数据集，其中包含不同自然场景的综合真实世界噪声图像。这些图像是由不同的相机在不同的相机设置下拍摄的。   Citation Jun Xu, Hui Li, Zhetong Lian

Cars 数据集包含 196 类汽车的 16,185 张图像。 数据分为 8,144 个训练图像和 8,041 个测试图像，其中每个类别大致按 50-50 分割。 课程通常在品牌、型号、年份级别，例如 2012 Tesla Model S 或 2012 BMW M3 coupe。CitationIf you use this dataset, please cite the following p