LDL数据集信息汇总

原创 已于 2022-05-07 11:32:09 修改 · 958 阅读 · 3 ·
CC 4.0 BY-SA版权
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。
文章标签：

#机器学习

于 2022-05-02 10:30:25 首次发布
本文列举了多个人工智能领域的数据集，包括Yeast系列、HumanGene、NaturalScene、情感识别等，涉及生物信息学、图像识别和情感分析等多个方面。同时，提到了不同数据集的实例数、特征数量和标签类别，对于研究和算法训练具有重要意义。

先放这儿，把能用的简单做个整理

NO.DATA SETInstancesFeatureslabelsRemark
0人工相对任意33
1Yeast_alpha24652418
2Yeast_cdc24652415
3Yeast_elu24652414
4Yeast_diau2465247
5Yeast_heat2465246
6Yeast_spo2465246
7Yeast_cold2465244
8Yeast_dtt2465244
9Yeast_spo52465243
10Yeast_spoem2465242
11Human Gene30,5423668
12Natural Scene2,0002949
13SJAFFE2132436
14SBU_3DFE2,5002436
15Movie7,7551,8695
16M2B12402505Geng
17Emotion619801687JIA
18FBP55005,5005125Geng
19Twitter LDL100451688JIA
20Flickr LDL111501688JIA
21Twitter LDL100452008Geng
22Flickr LDL107002008Geng
23MORPH55,13220060Geng
【图像超分】论文精读：Details or Artifacts: A Locally Discriminative Learning Approach to Realistic Image Super
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
05-01 1061
具有生成对抗网络 (GAN) 的单图像超分辨率 (SISR) 最近因其生成丰富细节的潜力而受到越来越多的关注。然而，GAN 的训练是不稳定的，它通常会引入许多感知上令人不快的伪影以及生成的细节。在本文中，我们证明了训练一个基于 GAN 的 SISR 模型，该模型可以稳定地生成感知逼真的细节，同时抑制视觉伪影。基于观察到工件区域的局部统计(如残差方差)通常与感知友好的细节区域不同，我们开发了一个框架来区分gan生成的工件和真实的细节，从而生成工件映射来正则化和稳定模型训练过程。我们提出的局部判别学习 (LDL
【图像超分】论文精读：SeeSR: Towards Semantics-Aware Real-World Image Super-Resolution
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
08-15 930
论文题目：SeeSR: Towards Semantics-Aware Real-World Image Super-Resolution —— SeeSR:面向语义感知的真实世界图像超分辨率CVPR 2024！由于强大的生成先验，预训练的文本到图像 (T2I) 扩散模型在解决真实世界的图像超分辨率问题方面变得越来越流行。然而，由于输入低分辨率(LR)图像的质量退化严重，局部结构的破坏会导致图像语义模糊。因此，再现高分辨率图像的内容可能存在语义错误，降低了超分辨率性能。
LDL人工数据集生成代码
lgl123ok的专栏
02-24 505
m = 1; n = 0.5; p = 0.2; q = 1; r1 = [4, 2, 1]'; r2 = [1, 2, 4]'; r3 = [1, 4, 2]'; eta1 = 0.01; eta2 = 0.01; step = 0.04; % 此处改动后，下面的两行的个数也要修改 features = zeros(2601,3); labels = zeros(2601,3); i = 1; for x1 = -1:step:1 for x2 = -1:step:1 x3
mysql创建LDL_mysql
weixin_39517560的博客
02-02 118
数据库管理：1.创建create database 数据库名 character set 语句名； 回车创建指定语句和名字的数据库2.查询show databases; 回车可以看到所有数据库名show create database 数据库名； 回车可以看到该数据库及其创建语句3.删改drop database 数据库名； ...
图文多模态公开数据集归纳（图文情感分类、图文检索）｜有中英文文本、含下载地址
weixin_43092343的博客
03-03 8910
图文多模态的公开数据集下载地址汇总～包括图文情感分类、图文分类、图文检索等
数据集
qq_38253054的博客
05-31 353
1 MNIST-灰度手写数字集 包含60000张训练图像和10000张测试图像。内置于keras库 from keras.datasets import mnist 2 IMDB-电影评论数据集 包含来自互联网电影数据库的50000条严重两极分化的评论。数据集被分为用于训练的25000条和用于测试的25000条，训练集和测试集都包含50%的正面评论和50%的负面评论。内置于keras库 ...
关于flickr的数据集笔记
oneself的博客
07-24 8309
关于flickr的数据集笔记
最新年龄估计综述(Deep learning approach for facial age classification: a survey of the state of the art)
zzccxx5的博客
08-20 9599
@[TOC](文章目录) 论文名:Deep learning approach for facial age classification: a survey of the state of the art 链接：https://pan.baidu.com/s/1_psq6iUu77KTwJQW0eEh5A 提取码：8gdm 主要是对论文的一个翻译，分为数据集、常用方法和评价指标三部分 #一、常用数据集 本人最近在使用AFAD数据集做实验，该数据集来自人人网（https://github.c.
半监督语义分割方法汇总(附代码分析)
h8832077的博客
11-17 1万+
源码地址:https://github.com/HiLab-git/SSL4MIS 目的 本文主要通过对github上源码的分析，学习半监督语义分割的思想，并通过代码提供的数据对比各个半监督方法的效果。 介绍 在语义分割领域，标注往往是比较困难的。因为掩膜标注要求和目标边缘紧密贴合，否则会带来边界上的额外损失。如下图： 相反的，未标注的数据量一般要远远多于标注的数据量。基于此，半监督方法的研究就至关重要了。 机器学习按数据标注情况可分为三种：监督学习，无监督学习和半监督学习。 监督学习：在有标记的情况下
17、高性能计算中的向量指令集与并行编程指令详解
最新发布
a0b1c2d3的专栏
08-23 34
本文详细介绍了高性能计算中的关键技术——向量指令集（Altivec）和并行编程指令（OpenMP和MPI）的使用方法与应用场景。内容涵盖Altivec的浮点指令、掩码生成、选择函数、逻辑运算、加载存储操作、全精度算术运算和集体比较操作，OpenMP的并行区域定义、工作共享、同步机制和数据环境管理，以及MPI的点对点通信、非阻塞通信和集体操作。此外，还提供了一个综合应用示例，展示如何结合Altivec、OpenMP和MPI进行高效的并行计算。文章旨在帮助开发者深入理解并灵活运用这些技术，以提升计算效率，充分发
Flickr社交网络数据集
01-02
Flickr是用户分享图片和视屏的社交网络，在此数据集中，每一个节点都是Flickr中的用户，每一条边都是用户之间的好友关系。另外，每一个节点都有标签，用于标识用户的兴趣小组
英雄联盟所有英雄数据
01-06
版本：8.24.1 更新日期：2018-12-11 共计142个英雄 英雄数据结构如下： `id` varchar(15) NOT NULL COMMENT '英雄名称', `key` int(4) NOT NULL COMMENT '英雄标志id', `name` varchar(10) NOT NULL COMMENT '英雄名称', `title` varchar(10) NOT NULL COMMENT '英雄名字', `tag1` varchar(8) NOT NULL COMMENT '英雄类型', `tag2` varchar(8) DEFAULT NULL COMMENT '英雄第二类型', `attack` int(1) NOT NULL COMMENT '物理攻击', `defense` int(1) NOT NULL COMMENT '防御能力', `magic` int(1) NOT NULL COMMENT '法术攻击', `difficulty` int(1) NOT NULL COMMENT '上手难度', `lore` text COMMENT '背景故事', `blurb` text COMMENT '背景故事展开', `allytips` text COMMENT '当你使用该英雄时', `enemytips` text COMMENT '当敌人使用该英雄时'
图像情感分析数据集
05-28
该数据集包含500张图片，其中积极图片250张，消极图片250张，可用于图像情感分析
提供下载地址的情感数据库大全（涵盖音视频生理图像文本）
热门推荐
qq_44722174的博客
10-08 2万+
情感识别数据集大全一、公开多模态数据集1、Belfast Database2、MIT-BIH3、Aubt4、Multi-ZOL5、Twitter15 Twitter176、SAVEE7、eNTERFACE05二、文本情感数据集1、Stanford Twitter Sentiment（STS）2、Amazon（购物评价）3、IMDB（影评文本，二分类）4、Sentiment140三、图像情感数据集1、IAPS2、ArtPhoto3、FlickrLDL TwitterLDL4、GAPED5、Emotion6
情感常用数据集整理
weixin_43765589的博客
08-16 1万+
整理了一些情感常用和不常用的数据集
Human Perception of Visual Information （4）
PLANTTHESON的博客
12-21 2002
一个著名的说法是：“问题不在于智能机器是否能有任何情绪，而在于机器是否能在没有情绪的情况下变得智能。”
EmotionGAN: Unsupervised Domain Adaptation for Learning Discrete Probability Distributions of Image
whutmengmeng的博客
03-14 1169
1.摘要 深度神经网络在具有大规模标签训练数据的各种基准视觉任务上表现良好；但是，获得这样的训练数据既昂贵又费时。由于域移动或数据集偏差，将在大规模标记的源域上训练的模型直接转移到另一个稀疏标记或未标记的目标域上通常会导致性能下降。在本文中，我们考虑了图像情感识别中的领域适应问题。 具体来说，我们研究如何以无监督的方式使图像情感从源域到目标域的离散概率分布适应。...
Affective Image Content Analysis: Two DecadesReview and New Perspectives (综述)
PLANTTHESON的博客
12-23 2372
在这项调查中，我们将全面回顾近二十年来AICA的发展，特别是关注最先进的方法，涉及三个主要挑战-情感差距，感知主观性，标签噪声和缺失。我们首先介绍了在AICA中广泛使用的关键情感表示模型，并描述了可用的数据集，用于通过标签噪声和数据集偏差的定量比较进行评估
心脏病关键指标数据集：2020年心电数据解析
资源摘要信息: "心脏病及可能相关联的关键指标数据集.rar" 知识点： 1. 心脏病概述：心脏病是一大类疾病的总称，通常涉及心脏的结构异常或心脏功能障碍。这些疾病包括冠状动脉疾病、心肌病、心脏瓣膜病、心律失常...
评论 1
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