Ein gutes Datenset dient als Rückgrat eines künstlichen Intelligenzsystems. Daten unterstützen auf verschiedene Weise, indem sie helfen zu verstehen, wie das System funktioniert, Bedeutungsinformationen zu verstehen und andere Erkenntnisse zu gewinnen. Auf der jährlichen Computer Vision and Pattern Recognition Conference (CVPR 2020) wurden mehrere Datensets als Open-Source veröffentlicht, um der Community zu helfen, höhere Genauigkeiten und Erkenntnisse zu erzielen.
Im Folgenden sind die Top-10 Computer Vision Datensets aufgelistet, die auf der CVPR 2020 Konferenz Open-Source sind.
1| FaceScape: Ein umfangreiches Hochqualitäts-3D-Gesichtsdatenset und detaillierte prognostizierbare 3D-Gesichtsmodelle.
FaceScape ist ein umfangreiches detailliertes 3D-Gesichtsdatenset mit 18.760 texturierten 3D-Gesichtsmodellen, die von 938 Personen erfasst wurden, jeder mit 20 spezifischen Ausdrücken. Das Datenset wurde frei für nicht-kommerzielle Forschung veröffentlicht.
Erfahren Sie hier mehr.
2| OASIS: Ein groß angelegtes Datenset für Einzelbild-3D in der Wildnis.
Open Annotations of Single Image Surfaces (OASIS) ist ein groß angelegtes Datenset für Einzelbild-3D in der Wildnis. Das Datenset besteht aus menschlichen Annotationen, die eine pixelweise Rekonstruktion von 3D-Oberflächen für 140.000 zufällig aus dem Internet ausgewählte Bilder ermöglichen. Ein Schlüsselfeature von OASIS ist seine umfassenden Annotationen der menschlichen 3D-Wahrnehmung.
Erfahren Sie hier mehr.
3| Skalierbarkeit in der Wahrnehmung für autonomes Fahren: Waymo Open Dataset.
Forscher von Google und Waymo stellten ein neues großes, hochwertiges, vielfältiges Datenset vor. Das vorgeschlagene Datenset enthält eine große Anzahl hochwertiger, manuell annotierter 3D-Grundwahrheits-Bounding-Boxen für LiDAR-Daten und 2D-passende Bounding-Boxen für Kamerabilder.
Es besteht aus 1150 Szenen, die jeweils 20 Sekunden dauern und gut synchronisierte und kalibrierte hochwertige LiDAR- und Kameradaten aus einer Vielzahl von städtischen und ländlichen Gebieten enthalten.
Erfahren Sie hier mehr.
…ecc.