常见的深度学习领域数据集（持续更新）

最新推荐文章于 2024-02-23 14:49:16 发布
最新推荐文章于 2024-02-23 14:49:16 发布
阅读量898 收藏
点赞数
分类专栏： 深度学习 文章标签： 深度学习 目标检测 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/deep_learner_/article/details/125686478
版权

目标检测

PASCAL： 有名的目标检测竞赛 PASCAL VOC
下载地址

图像分类

ILSVRC： 一个竞赛，使用的数据集是轻量级 ImageNet
下载地址

小样本分类

miniImageNet
tieredImageNet
Fewshot-CIFAR100 (FC100)
Caltech-UCSD Birds-200-2011 (CUB)

图像异常检测

MVTec

雨雨雨_杰
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
DeepMIMO_Dataset_Generation_v1.1_deepmimo_
10-03
deepmimo例程，参考论文“Alkhateeb - 2019 - DeepMIMO A Generic Deep Learning Dataset for Mill”
鲁棒深度学习.zip
01-16
人物图像建模、人物匹配、多源数据融合、相关数据集构建等核心想法与技术，期待上述资源能为相关研究人员打开思路，在该领域上持续进行研究奠定基础。
深度学习与TensorFlow 2入门实战
06-13
亚洲排名第1的新加坡国立大学AI团队倾情打造，资深研究员龙龙老师主讲，帮助人工智能、深度学习初学者快速、深刻理解深度学习算法原理与实践。【莫烦老师】权威推荐：在教学中，龙龙老师以简短高效的方式，从深度学习的多个角度向我们展开了论述，非常适合想对深度学习有全方位了解的朋友。【爱可可-爱生活】友情分享了我们的课程Github链接！课程特色：1.通俗易懂，快速入门对深度学习算法追本溯源、循序渐进式讲解，学员不需要任何机器学习基础，只需要写过代码即可轻松上手。2.实用主导，简单高效使用最新的TensorFlow 2版本教学，比起TensorFlow 1.x版本难度降低了约50%。3.案例为师，实战护航基于计算机视觉和NLP领域的经典数据集，从零开始结合TensorFlow 2与深度学习算法完成多个案例实战。4.持续更新，永久有效一次购买，永久有效。深度学习课程会持续更新下去，内容和学术界最前沿算法保持同步。
边缘检测评估：matlab程序在自己的数据集上进行AP、OIS、ODS评估
李白吃肥牛的博客
10-16 2929
最近在复现《DeepCrack》论文的程序，苦恼于找不到他文章中的evaluation代码，花费大量时间寻求解决，终于有了一些进展，故记录于此，希望能够帮助到有需要的人。 工具 基于hed论文的评估代码，因为hed的评估代码仅仅针对于BSDS500的数据集进行的，有些特殊的设定是自己的数据集不具备的因此需要对代码和自己的数据集进行修改。修改后的代码在： 数据集 我自己用的数据集是DeepCrack文章所使用的的数据集 CrackLS315/CrackTree260/CRKWH100/Stone331，但是因
基于YOLOv8/YOLOv7/YOLOv6/YOLOv5的路面坑洞检测系统（Python+PySide6界面+训练代码）
思绪无限的博客
02-23 1万+
本篇博客深入讨论了一种采用深度学习技术实现的路面裂坑洞检测系统，该系统整合了最新的YOLOv8算法并对比YOLOv7、YOLOv6、YOLOv5等算法的结果，专门设计来提高检测路面裂缝在包括静态图像、视频序列、实时视频流和批量处理文件中的准确性和效率。本文不仅详尽解释了YOLOv8算法背后的理论基础，还提供了实现该算法的Python代码，以及用于训练模型的数据集和一个基于PySide6的交互式用户界面（UI）。此外，系统配备了SQLite支持的用户管理功能，实现了模型的快速切换和UI的个性化定制。
学习汇报汇报
qq_42882457的博客
02-04 3814
学习内容： 1、 DefectGAN: Weakly-Supervised Defect Detection using Generative Adversarial Network（GAN的半监督方法进行缺陷检测） 2、 Dual Attention Network for Scene Segmentation（一种引入时间注意力机制和空间注意力机制的实例分割方法） 3、 PGA-Net: Pyramid Feature Fusion and Global Context Attention Netwo
基于 U-net 的裂缝检测
Warmer_Sweeter
11-20 1635
使用人工智能将结构检测带入 21 世纪！问题陈述虽然新技术几乎改变了我们生活的方方面面，但建筑领域似乎正在努力迎头赶上。目前，建筑物的结构状况仍主要由人工检查。简单来说，即使现在需要检查结构是否有任何损坏，工程师也会手动检查所有表面并拍摄一堆照片，同时记录任何裂缝的位置。然后需要在办公室再花几个小时来整理所有照片和笔记，试图从中做出有意义的报告。显然，这是一个费力、昂贵且主观的过程。最重要的是，由...
基于深度学习的表面缺陷检测方法综述-论文阅读笔记
热门推荐
weixin_43749999的博客
03-02 1万+
//2022.3.2日阅读笔记 原文链接：基于深度学习的表面缺陷检测方法综述 (aas.net.cn) 个人对本篇综述内容的大致概括 论文首先介绍了表面缺陷检测中不同场景下的成像方案，主要根据表面颜色或表面反射性质来制定；接着介绍了工业界中存在的缺陷检测挑战（关键问题），例如：缺陷成像和北京差异小、缺陷尺度不一致、缺陷图片中存在大量的噪声等。 接着论文对缺陷检测问题的定义、缺陷检测的定义作了详细的介绍。而后从四个大方向（基于全监督学习，半监督，无监督，其他）展开文章。 在全监督方面
小样本数据集 (Few-shot Learning)
学习 & 分享 ~
09-13 4994
Few-shot Learning 常用数据集：1）CUB-200-2011；2）Omniglot；3）mini-ImageNet；4）tiered-ImageNet；5）CIFAR-FS；6）FC100
matlab精度检验代码-road-fault-identification-thesis:1.从图像中识别道路裂缝。2.从远处识别道路网络，
05-22
matlab精度检验代码道路故障识别（DeepSegmentor） 2020年论文的DeepCrack和RoadNet项目的Pytorch实施。 1，数据集 2.安装 我们通过系统提供了一种用户友好的配置方法，您可以使用以下命令创建一个新的Conda环境： conda env create -f environment.yml 3.平衡权重 我们使用以下命令来遵循该方法： python3 ./tools/calculate_weights.py --data_path 4.培训 培训之前，请下载数据集并将其复制到文件夹datasets 。 探伤 sh ./scripts/train_deepcrack.sh 道路检测 sh ./scripts/train_roadnet.sh 我们在这里提供我们的预训练模型： 模型 Google云端硬碟 深裂 道路网 5，测试 探伤 sh ./scripts/test_deepcrack.sh 图像 地面真相 GF 融合的 侧边1 第2边 侧面3 侧面4
matlab资源分配的代码-DeepMIMO:使用DeepMIMO数据集生成用于无线电力分配的样本
06-12
matlab资源分配的代码用于功率分配的 DeepMIMO 这是一个从 DeepMIMO 修改而来的 MATLAB/Python 代码包，用于生成用于功率分配的真实信道。 该代码基于为毫米波和大规模 MIMO 系统中的深度学习应用发布的公开可用的 DeepMIMO 数据集。 这个MATLAB/Python代码包与以下文章有关： [1] Haoran Sun、Wenqiang Pu、Minghe Zhu、Xiao Fu、Tsung-Hui Chang 和 Mingyi Hong，“学习在情景动态环境中持续优化无线资源。” arXiv 预印本 arXiv:2011.07782 (2020)。 [2] Ahmed Alkhateeb，“DeepMIMO：用于毫米波和大规模 MIMO 应用的通用深度学习数据集”，Proc。 信息理论与应用研讨会 (ITA)，加利福尼亚州圣地亚哥，2019 年 2 月。 [3] 孙浩然、陈翔毅、史清江、洪明义、肖夫和 Nikos D. Sidiropoulos，“学习优化：为无线资源管理训练深度神经网络”，IEEE Transactions on Signal
基于深度学习的汽车轮毂表面缺陷检测算法研究.pdf
08-18
基于深度学习的汽车轮毂表面缺陷检测算法研究.pdf
DeepCrack_基于分层卷积的裂缝识别_生成裂缝_
09-30
裂纹是典型的线结构，在许多计算机视觉应用中都很有趣。在实际应用中，路面裂缝等许多裂缝连续性差、对比度低，给利用低层特征进行基于图像的裂缝检测带来了很大的挑战。在本文中，我们提出了深度裂纹——一个端到端可训练的深度卷积神经网络，通过学习用于裂纹表示的高级特征来自动检测裂纹。该方法将在层次卷积阶段学习到的多尺度深度卷积特征融合在一起，以获取线路结构。更详细的表示在大比例尺的feature maps中进行，更全面的表示在小比例尺的feature maps中进行。我们在SegNet的编码器解码器架构上构建深度裂纹网，并对在相同尺度下在编码器网络和解码器网络中生成的卷积特征进行配对融合。
DeepMIMO-codes:适用于mmWave和大规模MIMO应用的DeepMIMO数据集和代码
05-06
DeepMIMO：适用于毫米波和大规模MIMO应用的通用深度学习数据集 这是使用软件生成的DeepMIMO数据集的MATLAB代码包。 是公开发布的参数化数据是针对mmWave和大规模MIMO系统中的深度学习应用发布的。 该MATLAB代码包与以下文章有关： Ahmed Alkhateeb，Proc中的“ ”。 加利福尼亚州圣地亚哥，信息理论与应用研讨会（ITA），2019年2月。 文章摘要 机器学习工具正在毫米波（mmWave）和大规模MIMO系统中找到有趣的应用。 这主要归功于它们在学习未知模型和解决困难的优化问题方面的强大能力。 但是，为了推进毫米波/大规模MIMO中的机器学习研究，需要通用的数据集。 该数据集可用于评估开发的算法，重现结果，设置基准并比较不同的解决方案。 在这项工作中，我们介绍了DeepMIMO数据集，它是mmWave / mass MIMO信道的通用数据集。
few-shot-classification-leaderboard:用于miniImageNet，tieredImageNet，FC100和CIFAR-FS上的几幅图像分类的排行榜
04-05
热门分类排行榜 该项目的目标是跟踪少数镜头分类的最新技术（SOTA） 。 小型ImageNet： 分层ImageNet： Fewshot-CIFAR100： 降价 CIFAR-FS： 降价 随时创建并以添加新结果。 接触 刘瑶瑶/ yaoyao.liu（at）mpi-inf.mpg.de 张池/ chi007（at）e.ntu.edu.sg
基于CNN深度学习网络的交通标志识别.zip
04-07
如今，CNN已经成为深度学习图像处理领域的基石，并持续创新，如引入注意力机制、残差学习、深度可分离卷积等先进思想。 综上所述，卷积神经网络通过其独特的局部感知、权重共享、多层级抽象等特性，高效地从图像...
遥感landsat 影像地物分类，基于CNN深度学习的方法.zip
最新发布
04-07
如今，CNN已经成为深度学习图像处理领域的基石，并持续创新，如引入注意力机制、残差学习、深度可分离卷积等先进思想。 综上所述，卷积神经网络通过其独特的局部感知、权重共享、多层级抽象等特性，高效地从图像...
《深度持续学习》综述论文
09-08
当前的深度学习研究以基准评价为主。如果一种方法在专门的测试集上有良好的经验表现，那么它就被认为是有利的。这种心态无缝地反映在持续学习的重现领域，在这里研究的是持续到达的基准数据集。
使用 Python 进行深度学习以进行裂纹检测
weixin_42535423的博客
12-18 1万+
使用 Python 进行深度学习以进行裂纹检测问题陈述数据集准备训练模型结论参考 问题陈述 虽然新技术已经改变了我们生活的方方面面，在建筑领域似乎牛逼Ø正在努力追赶。目前，建筑物的结构状况仍然主要是人工检查。简单来说，即使现在需要检查结构是否有任何损坏，工程师也会手动检查所有表面并拍下一堆照片，同时记录任何裂缝的位置。然后需要在办公室多花几个小时来整理所有照片和笔记，试图从中做出有意义的报告。显然，这是一个费力、昂贵且主观的过程。最重要的是，出现了安全问题，因为有些结构的访问限制并且难以到达。
学习深度学习需要了解什么
07-22
学习深度学习需要了解以下几个方面： 1. 数学基础：深度学习涉及许多数学概念和方法，包括线性代数、概率论、微积分和优化理论。了解这些数学基础可以帮助你理解深度学习模型的原理和算法。 2. 机器学习基础：深度学习是机器学习的一个分支，因此了解机器学习的基本概念和方法是必要的。这包括监督学习、无监督学习、强化学习等常见的机器学习算法。 3. 神经网络：深度学习的核心是神经网络模型。需要了解神经网络的结构、工作原理和常见的神经网络层（如全连接层、卷积层、循环层等）以及它们的作用和特点。 4. 深度学习框架：选择并熟悉一种或多种流行的深度学习框架（如TensorFlow、PyTorch、Keras等），这些框架提供了方便的工具和接口来构建和训练深度学习模型。 5. 数据预处理：了解如何对数据进行预处理，包括数据清洗、特征选择、特征缩放、数据转换等，以准备好用于深度学习模型的数据。 6. 模型构建和训练：学习如何构建深度学习模型，包括选择适当的网络结构、调整超参数、选择合适的损失函数和优化器等。理解反向传播算法和梯度下降优化是构建和训练模型的关键。 7. 模型评估和调优：了解如何评估模型的性能，选择适当的评估指标，并使用验证集和测试集进行模型的调优和泛化性能的评估。 8. 预训练模型和迁移学习：了解预训练模型和迁移学习的概念和方法，以及如何利用预训练模型来加速模型的训练和提高性能。 9. 实践项目：通过实践项目来应用所学的知识，实践是巩固和提高深度学习技能的关键。可以从简单的任务开始，逐步挑战更复杂的问题。 以上是学习深度学习所需了解的一些主要方面，但深度学习是一个不断发展和变化的领域，需要持续学习和探索新的方法和技术。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值