【mtmit属于什么档次】这是一个非常全面的开源数据集。你真的不想吗？

最近发布了非常全面的开源数据集。包含生物特征、自然图像、深度学习图像等数据集，目前机器的心整理如下。(包括链接哦~)Midi，作者：Bharath Raj，机器心脏编译，参与：高贤，王淑贞。

添加最近的数据集

开源生物识别数据：

谷歌音频集：扩展了632个音频分类样本，从YouTube视频中提取了2，084，320个人类标签10秒声音剪辑。地址：

Uber 2B trip data:首次展示了200万公里的旅行数据。地址：

Yelp Open Dataset:Yelp数据集是用于NLP的Yelp业务、评论和用户数据的子集。地址：

核心50:用于连续目标识别的新数据集和基准。地址：

Kaggle数据集：

数据门户：

Open Data Monitor:

Quandl数据门户：

Mut1ny头部/面部分割数据集：

Github优秀的公共数据集：

头部CT扫描数据集：扫描491次的CQ500数据集。地址

自然图像数据集

MNIST:手写数字图像。这是最常用的可用性检查。格式25x25，居中，黑白手写数字。这是一个简单的任务。——仅适用于MNIST，并不意味着有效。地址：

Cifa r10/cifar 100: 32x32彩色图像，10/100类。仍然很有趣，但不再常用的可用性检查。地址：

这是Caltech 101:101物体的照片。地址：

Caltech 256:256物体的照片。地址：

STL-10数据集：用于开发无监督功能学习、深度学习和自学算法的图像识别数据集。就像修改后的CIFAR-10一样。地址：

the street view house numbers(svhn):Google街景的门牌号码。可以认为是再现的室外MNIST。地址：

NORB:玩具摆在各种灯光和姿势下的双目图像。地址：

Pascal VOC:通用图像分割/分类——对创建真实的图像注释没有用处，但对基线有用。地址：

Labelme:带有注释图像的大数据集。地址：

ImageNet:新算法的客观图像数据集(de-facto image dataset)。许多图像API公司在REST接口上有近1000个标签。世界网；ImageNet的层次。地址：http://image-net.org/

LSUN:了解有很多辅助任务的场景(房间布局估计、重要性预测等)，有相关比赛。按一下(associated competition)。地址：

MS COCO:理解/描述共同形象，相关竞争。地址：

COIL 20:不同的物体在360度旋转时以角度成像。地址：

>

• COIL100：不同物体在 360 度旋转中以每个角度成像。
• 地址：

• Google 开源图像：有 900 万张图像的网址集合，这些图像通过知识共享（Creative Commons）被标注成 6000 多个类别。
• 地址：https://research.googleblog.com/2016/09/introducing-open-images-dataset.html

地理空间数据

• OpenStreetMap：免费提供整个星球的矢量数据。它包含（旧版）美国人口普查局的数据。
• 地址：

• Landsat8：整个地球表面的卫星视角图，每隔几周更新一次。
• 地址：

• NEXRAD：美国大气层的多普勒雷达扫描图。
• 地址：

————————我是深度学习图像的分割线————————

人工数据集

• Arcade Universe：一个人工数据集生成器，图像包含街机游戏 sprite，如 tetris pentomino / tetromino。该生成器基于 O. Breleux 的 bugland 数据集生成器。
• 地址：

• 以 Baby AI School 为灵感的数据集集合。
• 地址：

• Baby AI Shapes Dataset：区分 3 种简单形状。
• 地址：

• Baby AI Image And Question Dataset：一个问题-图像-答案数据集。
• 地址：

• Deep Vs Shallow Comparison ICML2007：为实证评估深层架构而生成的数据集。
• 地址：

• MnistVariations：在 MNIST 中引入受控变化。
• 地址：

• RectanglesData：区分宽矩形和垂直矩形。
• 地址：

• ConvexNonConvex：区分凸形和非凸形状。
• 地址：

• BackgroundCorrelation：嘈杂 MNIST 背景下相关度的控制
• 地址：

人脸数据集

• Labelled Faces in the Wild：13000 个经过裁剪的人脸区域（使用已经用名称标识符标记过的 Viola-Jones）。数据集中每个人员的子集里包含两个图像——人们常用此数据集训练面部匹配系统。
• 地址：

• UMD Faces：有 8501 个主题的 367，920 个面孔的带注释数据集。
• 地址：

• CASIA WebFace：超过 10，575 个人经面部检测的 453，453 张图像的面部数据集。需要一些质量过滤。
• 地址：

• MS-Celeb-1M：100 万张全世界的名人图片。需要一些过滤才能在深层网络上获得最佳结果。
• 地址：

• Olivetti：一些人类的不同图像。
• 地址：

• Multi-Pie：The CMU Multi-PIE Face 数据库。
• 地址：

• Face-in-Action：

• JACFEE：日本和白种人面部情绪表达的图像。
• 地址：

• FERET：面部识别技术数据库。
• 地址：

• mmifacedb：MMI 面部表情数据库。
• 地址：

• IndianFaceDatabase：

• 耶鲁人脸数据库：

• 耶鲁人脸数据库 B：

• Mut1ny 头部/面部分割数据集：像素超过 16K 的面部/头部分割图像
• 地址：

————————我是深度学习视频的分割线————————

视频数据集

• Youtube-8M：用于视频理解研究的大型多样化标记视频数据集。
• 地址：

文本数据集

• 20 newsgroups：分类任务，将出现的单词映射到新闻组 ID。用于文本分类的经典数据集之一，通常可用作纯分类的基准或任何 IR /索引算法的验证。
• 地址：

• 路透社新闻数据集：（较旧）纯粹基于分类的数据集，包含来自新闻专线的文本。常用于教程。
• 地址：

• 宾州树库：用于下一个单词或字符预测。
• 地址：

• UCI‘s Spambase：来自著名的 UCI 机器学习库的（旧版）经典垃圾邮件数据集。根据数据集的组织细节，可以将它作为学习私人垃圾邮件过滤的基线。
• 地址：

• Broadcast News：大型文本数据集，通常用于下一个单词预测。
• 地址：

• 文本分类数据集：来自 Zhang et al., 2015。用于文本分类的八个数据集合集。这些是用于新文本分类基线的基准。样本大小从 120K 至 3.6M 不等，范围从二进制到 14 个分类问题。数据集来自 DBPedia、亚马逊、Yelp、Yahoo！和 AG。
• 地址：

• WikiText：来自维基百科高质量文章的大型语言建模语料库，由 Salesforce MetaMind 策划。
• 地址：

• SQuAD：斯坦福问答数据集——应用广泛的问答和阅读理解数据集，其中每个问题的答案都以文本形式呈现。
• 地址：

• Billion Words 数据集：一种大型通用语言建模数据集。通常用于训练分布式单词表征，如 word2vec。
• 地址：

• Common Crawl：网络的字节级抓取——最常用于学习单词嵌入。可从 Amazon S3 上免费获取。也可以用作网络数据集，因为它可在万维网进行抓取。
• 地址：

• Google Books Ngrams：来自 Google book 的连续字符。当单词首次被广泛使用时，提供一种简单的方法来探索。
• 地址：

• Yelp 开源数据集：Yelp 数据集是用于 NLP 的 Yelp 业务、评论和用户数据的子集。
• 地址：

————————我是深度学习文本的分割线————————

问答数据集

• Maluuba News QA 数据集：CNN 新闻文章中的 12 万个问答对。
• 地址：

• Quora 问答对：Quora 发布的第一个数据集，包含重复/语义相似性标签。
• 地址：

• CMU Q / A 数据集：手动生成的仿真问/答对，维基百科文章对其难度评分很高。
• 地址：

• Maluuba 面向目标的对话：程序性对话数据集，对话旨在完成任务或做出决定。常用于聊天机器人。
• 地址：

• bAbi：来自 Facebook AI Research（FAIR）的综合阅读理解和问答数据集。
• 地址：

• The Children’s Book Test：Project Gutenberg 提供的儿童图书中提取的（问题+背景、答案）对的基线。用于问答（阅读理解）和仿真查找。
• 地址：

情感数据集

• 多领域情绪分析数据集：较旧的学术数据集。
• 地址：

• IMDB：用于二元情感分类的较旧、较小数据集。对文献中的基准测试无法支持更大的数据集。
• 地址：

• Stanford Sentiment Treebank：标准情感数据集，在每个句子解析树的每个节点都有细粒度的情感注释。
• 地址：

推荐和排名系统

• Movielens：来自 Movielens 网站的电影评分数据集，各类大小都有。
• 地址：

• Million Song 数据集：Kaggle 上元数据丰富的大型开源数据集，可以帮助人们使用混合推荐系统。
• 地址：

• La：音乐推荐数据集，可访问深层社交网络和其它可用于混合系统的元数据。
• 地址：

• Book-Crossing 数据集：来自 Book-Crossing 社区。包含 278,858 位用户提供的约 271,379 本书的 1,149,780 个评分。
• 地址：

• Jester：来自 73,421 名用户对 100 个笑话的 410 万个连续评分（分数从-10 至 10）。
• 地址：

• Netflix Prize：Netflix 发布了他们的电影评级数据集的匿名版；包含 480,000 名用户对 17,770 部电影的 1 亿个评分。首个主要的 Kaggle 风格数据挑战。随着隐私问题的出现，只能提供非正式版。
• 地址：

————————我是深度学习图表的分割线————————

网络和图形

• Amazon Co-Purchasing：亚马逊评论从「购买此产品的用户也购买了……」这一部分抓取数据，以及亚马逊相关产品的评论数据。适合在网络中试行推荐系统。
• 地址：

• Friendster 社交网络数据集：在变成游戏网站之前，Friendster 以朋友列表的形式为 103,750,348 名用户发布了匿名数据。
• 地址：

语音数据集

• 2000 HUB5 English：最近在 Deep Speech 论文中使用的英语语音数据，从百度获取。
• 地址：

• LibriSpeech：包含文本和语音的有声读物数据集。由多个朗读者阅读的近 500 小时的各种有声读物演讲内容组成，包含带有文本和语音的章节。
• 地址：

• VoxForge：带口音的清晰英语语音数据集。适用于提升不同口音或语调鲁棒性的案例。
• 地址：

• TIMIT：英语语音识别数据集。
• 地址：

• CHIME：嘈杂的语音识别挑战数据集。数据集包含真实、仿真和干净的录音。真实录音由 4 个扬声器在 4 个嘈杂位置的近 9000 个录音构成，仿真录音由多个语音环境和清晰的无噪声录音结合而成。
• 地址：

• TED-LIUM：TED 演讲的音频转录。1495 个 TED 演讲录音以及这些录音的文字转录。
• 地址：

————————我是深度学习音频的分割线————————

音符音乐数据集

• Piano-midi.de: 古典钢琴曲
• 地址：

• Nottingham : 超过 1000 首民谣
• 地址：

• MuseData: 古典音乐评分的电子图书馆
• 地址：

• JSB Chorales: 四部协奏曲
• 地址：

其它数据集

• CMU 动作抓取数据集：

• Brodatz dataset：纹理建模。
• 地址：

• 来自欧洲核子研究中心的大型强子对撞机（LHC）的 300TB 高质量数据。
• 地址：;p=Run2011A+AND+collection:CMS-Primary-Datasets+OR+collection:CMS-Simulated-Datasets+OR+collection:CMS-Derived-Datasets

• 纽约出租车数据集：由 FOIA 请求而获得的纽约出租车数据，导致隐私问题。
• 地址：

• Uber FOIL 数据集：来自 Uber FOIL 请求的纽约 4.5M 拾取数据。
• 地址：

• Criteo 点击量数据集：来自欧盟重新定位的大型互联网广告数据集。
• 地址：

健康 &生物数据

• 欧盟传染病监测图集：

• 默克分子活动挑战：

• Musk dataset: Musk dataset 描述了以不同构造出现的分子。每个分子都是 musk 或 non-musk，且其中一个构造决定了这一特性。
• 地址：(Version+2)

政府&统计数据

• Data USA: 最全面的可视化美国公共数据。
• 地址：

• 欧盟性别统计数据库：

• 荷兰国家地质研究数据 ：;from=1&to=50&any_OR_geokeyword_OR_title_OR_keyword=landinrichting*&relation=within

• 联合国开发计划署项目：