深度学习常用开源数据集介绍【持续更新】

news2024/11/5 7:37:59

DIV2K

  1. 介绍:DIV2K是一个专为 图像超分辨率(SR) 任务设计的高质量数据集,广泛应用于计算机视觉领域的研究和开发。它包含800张高分辨率(HR)训练图像和100张高分辨率验证图像,每张图像都具有极高的清晰度,非常适合用于训练和评估超分辨率算法。通过DIV2K数据集,研究人员可以生成相应的低分辨率(LR)图像,从而进行模型的训练和验证,推动图像超分辨率技术的发展。此外,DIV2K数据集包含1000张具有不同退化类型的低分辨率图像,分为训练数据、验证数据和测试数据。训练数据包括800张低分辨率图像,并为降级因素提供高分辨率和低分辨率图像;验证数据包括100张高清高分辨率图片,用于生成低分辨率的图像;测试数据包括100张多样化的图像,用来生成低分辨率的图像。
  2. 下载地址:https://data.vision.ee.ethz.ch/cvl/DIV2K/
  3. 数据集结构形式
DIV2K/ -- DIV2K dataset

DIV2K/DIV2K_train_HR/ -- 0001.png, 0002.png, ..., 0800.png train HR images (provided to the participants)
DIV2K/DIV2K_train_LR_bicubic/ -- corresponding low resolution images obtained using Matlab imresize function with default settings (bicubic interpolation)
DIV2K/DIV2K_train_LR_bicubic/X2/ -- 0001x2.png, 0002x2.png, ..., 0800x2.png train LR images, downscale factor x2
DIV2K/DIV2K_train_LR_bicubic/X3/ -- 0001x3.png, 0002x3.png, ..., 0800x3.png train LR images, downscale factor x3
DIV2K/DIV2K_train_LR_bicubic/X4/ -- 0001x4.png, 0002x4.png, ..., 0800x4.png train LR images, downscale factor x4
DIV2K/DIV2K_train_LR_unknown/ -- corresponding low resolution images obtained using degradation operators kept hidden, unknown to the participants
DIV2K/DIV2K_train_LR_unknown/X2/ -- 0001x2.png, 0002x2.png, ..., 0800x2.png train LR images, downscale factor x2
DIV2K/DIV2K_train_LR_unknown/X3/ -- 0001x3.png, 0002x3.png, ..., 0800x3.png train LR images, downscale factor x3
DIV2K/DIV2K_train_LR_unknown/X4/ -- 0001x4.png, 0002x4.png, ..., 0800x4.png train LR images, downscale factor x4

DIV2K/DIV2K_valid_HR/ -- 0801.png, 0802.png, ..., 0900.png validation HR images (will be available to the participants at the beginning of the final evaluation phase)
DIV2K/DIV2K_valid_LR_bicubic/ -- corresponding low resolution images obtained using Matlab imresize function with default settings (bicubic interpolation)
DIV2K/DIV2K_valid_LR_bicubic/X2/ -- 0801x2.png, 0802x2.png, ..., 0900x2.png train LR images, downscale factor x2
DIV2K/DIV2K_valid_LR_bicubic/X3/ -- 0801x3.png, 0802x3.png, ..., 0900x3.png train LR images, downscale factor x3
DIV2K/DIV2K_valid_LR_bicubic/X4/ -- 0801x4.png, 0802x4.png, ..., 0900x4.png train LR images, downscale factor x4
DIV2K/DIV2K_valid_LR_unknown/ -- corresponding low resolution images obtained using degradation operators kept hidden, unknown to the participants
DIV2K/DIV2K_valid_LR_unknown/X2/ -- 0801x2.png, 0802x2.png, ..., 0900x2.png train LR images, downscale factor x2
DIV2K/DIV2K_valid_LR_unknown/X3/ -- 0801x3.png, 0802x3.png, ..., 0900x3.png train LR images, downscale factor x3
DIV2K/DIV2K_valid_LR_unknown/X4/ -- 0801x4.png, 0802x4.png, ..., 0900x4.png train LR images, downscale factor x4

DIV2K/DIV2K_test_HR/ -- 0901.png, 0902.png, ..., 1000.png test HR images (not provided to the participants, used for final evaluation and ranking)
DIV2K/DIV2K_test_LR_bicubic/ -- corresponding low resolution images obtained using Matlab imresize function with default settings (bicubic interpolation)
DIV2K/DIV2K_test_LR_bicubic/X2/ -- 0901x2.png, 0902x2.png, ..., 1000x2.png train LR images, downscale factor x2
DIV2K/DIV2K_test_LR_bicubic/X3/ -- 0901x3.png, 0902x3.png, ..., 1000x3.png train LR images, downscale factor x3
DIV2K/DIV2K_test_LR_bicubic/X4/ -- 0901x4.png, 0902x4.png, ..., 1000x4.png train LR images, downscale factor x4
DIV2K/DIV2K_test_LR_unknown/ -- corresponding low resolution images obtained using degradation operators kept hidden, unknown to the participants
DIV2K/DIV2K_test_LR_unknown/X2/ -- 0901x2.png, 0902x2.png, ..., 1000x2.png train LR images, downscale factor x2
DIV2K/DIV2K_test_LR_unknown/X3/ -- 0901x3.png, 0902x3.png, ..., 1000x3.png train LR images, downscale factor x3
DIV2K/DIV2K_test_LR_unknown/X4/ -- 0901x4.png, 0902x4.png, ..., 1000x4.png train LR images, downscale factor x4
  1. 示例
    在这里插入图片描述

Flickr2K

  1. 加粗样式介绍:Flickr2K是一个大规模的高分辨率图像数据集,它包含了2650张2K分辨率的图像,这些图像主要来源于Flickr,覆盖了人物、动物和风景等多种类别。数据集中的图像被用来生成不同降采样倍数的低分辨率图像,以供图像超分辨率任务使用。Flickr2K数据集的特点是图像分辨率高,内容丰富多样,适合用于训练和评估图像超分辨率算法。
  2. 下载地址:https://esrgan.readthedocs.io/en/latest/pages/api/datasets.html#flickr2k
  3. 示例
    在这里插入图片描述

Set 5

  1. 介绍:Set5数据集是一个包含5张图像的集合,这些图像(“baby”, “bird”, “butterfly”, “head”, “woman”)通常用于测试图像超分辨率模型的性能。数据集由Bevilacqua, Marco等人创建,语言为英语,许可证类型为其他。数据集的主要用途是超分辨率。
  2. 下载地址:https://hf-mirror.com/datasets/Voxel51/Set5
  3. 示例
    在这里插入图片描述

Set 12

  1. 介绍:Set12 是一个常用的数字化图像处理数据集。该数据集由 12 张涉及不同场景的灰度图像组成,包括 lena,cameraman,house,pepper,fishstar,monarch,airplane,parrot,barbara,ship,man,couple 。
  2. 下载地址:https://github.com/ysix7/Dataset
  3. 示例
    在这里插入图片描述

Set 14

  1. 介绍:Set14数据集是一个包含14张图像的测试集,常用于评估图像超分辨率模型的性能。该数据集共有378个样本,专为测试和验证图像超分辨率技术而设计。
  2. 下载地址:https://hf-mirror.com/datasets/Voxel51/Set14
  3. 示例
    在这里插入图片描述

Urban100

  1. 介绍:Urban100是一个包含100张城市景观图像的数据集,这些图像具有复杂的纹理和细节,非常适合用于评估 超分辨率算法 在复杂场景下的性能。这个数据集因其多样化的城市场景和高难度的纹理处理而受到研究者的青睐,常被用作测试集来评估超分辨率模型的性能。Urban100数据集中的图像因其真实性和挑战性,对于图像处理和计算机视觉领域的研究具有重要价值。
  2. 下载地址:https://hf-mirror.com/datasets/eugenesiow/Urban100
  3. 示例
    在这里插入图片描述

B100

  1. 介绍:B100数据集,全称BSD100,是从Berkeley Segmentation Dataset中选取的100张自然图像。这些图像具有较高的多样性,适合用于测试超分辨率算法在不同场景下的表现。BSD100数据集因其图像的多样性和自然场景的代表性,被广泛用于图像超分辨率研究领域的性能评估。
  2. 下载地址: https://hf-mirror.com/datasets/eugenesiow/BSD100
  3. 示例
    在这里插入图片描述

LIVE1

  1. 介绍:这是一个公共领域主观图像质量数据集,全称 LIVE Public-Domain Subjective Image Quality Database。质量评估研究主要依靠主观实验来提供校准数据和测试机制。所有质量评估研究的目标是做出与人类观察者主观意见一致的预估。LIVE1 数据集可以用于质量评估(QA)算法的训练和测试。
  2. 下载地址:https://orion.hyper.ai/datasets/21663
  3. 示例
    在这里插入图片描述

classic5

  1. 介绍:Classic5通常指的是一个图像去噪的数据集,它包含5个自然场景的图像,这些图像被广泛用于图像去噪算法的性能评估。这个数据集因其简单性和易用性而受到研究者的青睐。
  2. 下载地址:https://paperswithcode.com/dataset/classic5
  3. 示例
    在这里插入图片描述

BSD68

  1. 介绍:BSD68是一个用于评估图像去噪算法性能的经典数据集。BSD68包含了68张灰度图像,这些图像被广泛用于测试和评估图像去噪算法的性能。BSD68数据集中的图像种类丰富,包括景物、人物、动态和静态场景等,这使得研究人员能够在多种场景下测试其算法的性能。
  2. 下载地址:https://github.com/ysix7/Dataset
  3. 示例
    在这里插入图片描述

SIDD

  1. 介绍:SIDD是"Smartphone Image Denoising Dataset"的缩写,这是一个图像降噪数据集。它包含了大约30,000张来自10个场景的噪声图像,这些图像由5个具有代表性的智能手机摄像头在不同光照条件下拍摄,并生成了它们的高质量真实图像(ground truth images)。SIDD数据集被用来评估和基准测试一些降噪算法,特别是针对智能手机摄像头拍摄的图像。提供Raw-RGB图像和sRGB图像,Raw-RGB图像数据大约10GB,sRGB图像数据大约6GB。
  2. 下载地址: https://aistudio.baidu.com/datasetdetail/140841
  3. 示例
    在这里插入图片描述

SIDD_Small_sRGB_Only

  1. 介绍:这是一个更小版本的数据集,仅包含160对噪声图像和真实图像(ground-truth images),主要用于训练和学习目的。
  2. 下载地址: https://www.kaggle.com/datasets/rajat95gupta/smartphone-image-denoising-dataset
  3. 示例
    在这里插入图片描述

TVD

  1. 介绍:腾讯深度学习数据集TVD(Tencent Video Dataset)是一个用于基于学习的可视数据压缩和分析的视频数据集。TVD包含86个视频序列,覆盖了多种内容类型。每个视频序列由65帧4K(3840x2160)空间分辨率的帧组成。这个数据集旨在服务于多种目的,比如训练基于神经网络的编码工具和测试包括目标检测与跟踪在内的机器视觉任务。
  2. 下载地址:https://multimedia.tencent.com/resources/tvd
  3. 示例
    在这里插入图片描述

KoNViD_1k

  1. 介绍:KoNViD_1k(Konstanz Natural Video Database)是一个自然视频质量评估数据库,它包含了1200个具有真实失真的独特视频序列,这些视频序列是从YFCC100m数据库中筛选出来的,以确保它们代表了各种类型的视频内容、失真类型和主观质量。这个数据库的目的是为了提供更好的基础,以开发和评估客观的视频质量评估(VQA)方法,特别是对于自然视频。
  2. 下载地址:https://database.mmsp-kn.de/konvid-1k-database.html
  3. 示例
    在这里插入图片描述

MNIST_Dataset

  1. 介绍:MNIST数据集(Mixed National Institute of Standards and Technology database)是一个广泛用于训练各种图像处理系统的手写数字数据库。
  2. 下载地址:https://github.com/Saquibkhan456/MNIST_dataset
  3. 示例
    在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2231213.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

计算机图形学中向量相关知识chuizhi

一、向量加法 平行四边形法则 两个向量统一起点,构成平行四边形,对角线为向量加和的结果 三角形法则 两个向量尾首相连,从a起点连接到b终点,为向量加法的结果 多向量首尾相连的加法结果为第一个向量的起点到最后一个向量的终点…

[LitCTF 2023]只需要nc一下~-好久不见6

先nc一下,连接上 ls打开查看里面有什么文件 cat 查看里面有什么内容 这个 Dockerfile 构建了一个基于 Python 3.11 的镜像,将当前目录的文件复制到镜像的 /app 目录,设置了一个环境变量 FLAG,并将其值写入 /flag.txt 文件。工作目…

软考高级之系统架构师之安全攻防技术

攻防包括攻击和防御两部分。 攻击 安全威胁 信息系统的安全威胁来自于: 物理环境:对系统所用设备的威胁,如:自然灾害,电源故障,数据库故障,设备被盗等造成数据丢失或者信息泄露通信链路&…

VLAN间通信以及ospf配置

目录 1.基础知识介绍 1.1 什么是VLAN? 1.2 VLAN有什么用? 1.3 不同VLAN如何实现通信? 1.4 什么是路由汇总? 1.4.1 路由汇总的好处: 2. 实验 2.1 网络拓扑设计 2.2 实验配置要求 2.2.1 三层交换配置&#xff…

ChatGPT变AI搜索引擎!以后还需要谷歌吗?

前言 在北京时间11月1日凌晨,正值ChatGPT两岁生日之际,OpenAI宣布推出最新的人工智能搜索体验!具备实时网络功能!与 Google 展开直接竞争。 ChatGPT搜索的推出标志着ChatGPT成功消除了即时信息这一最后的短板。 这项新功能可供 …

使用python画一颗圣诞树

具体效果: 完整代码: import random def print_christmas_tree(height): # 打印圣诞树的顶部 for i in range(height): # 打印空格,使树居中 for j in range(height - i - 1): print(" ", end"") # 打印星号&…

省级-碳排放相关数据(1990-2022年)

关键指标: 地区:数据涵盖了中国各省级行政区,为我们提供了一个全面的视角来观察不同地区的碳排放情况。年份:数据跨越了1990年至2022年,这为我们提供了一个长期的时间序列,以观察碳排放的变化趋势。总碳排…

评估 机器学习 回归模型 的性能和准确度

回归 是一种常用的预测模型,用于预测一个连续因变量和一个或多个自变量之间的关系。 那么,最后评估 回归模型 的性能和准确度非常重要,可以帮助我们判断模型是否有效并进行改进。 接下来,和大家分享如何评估 回归模型 的性能和准…

WPF+MVVM案例实战(二十)- 制作一个雷达辐射效果的按钮

文章目录 1、案例效果2、文件创建与代码实现1、创建文件2、图标资源文件3、源代码获取1、案例效果 2、文件创建与代码实现 1、创建文件 打开 Wpf_Examples 项目,在 Views 文件夹下创建窗体界面 RadarEffactWindow.xaml 。代码功能分两个部分完成,一个是样式,一个是动画。页…

小程序配置消息推送

配置以上信息后,点击提交时, 服务器需要配置GET请求,同时验证签名,签名通过后,返回参数echo_str, 切忌: 一定转化为int类型; python fastapi实现代码如下: async def callback_file(request: …

【大模型开发指南】llamaindex配置deepseek、jina embedding及chromadb实现本地RAG及知识库(win系统、CPU适配)

说一些坑,本来之前准备用milvus,但是发现win搞不了(docker都配好了)。然后转头搞chromadb。这里面还有就是embedding一般都是本地部署,但我电脑是cpu的没法玩,我就选了jina的embedding性能较优(…

C++ STL 学习指南:带你快速掌握标准模板库

🌟快来参与讨论💬,点赞👍、收藏⭐、分享📤,共创活力社区。 🌟 大家好呀!🤗 今天我们来聊一聊 C 程序员的必备神器——STL(Standard Template Library&#xf…

NIO 核心知识总结

在传统的 Java I/O 模型(BIO)中,I/O 操作是以阻塞的方式进行的。也就是说,当一个线程执行一个 I/O 操作时,它会被阻塞直到操作完成。这种阻塞模型在处理多个并发连接时可能会导致性能瓶颈,因为需要为每个连…

从“点”到“面”,热成像防爆手机如何为安全织就“透视网”?

市场上测温产品让人眼花缭乱,通过调研分析,小编发现测温枪占很高比重。但是,测温枪局限于显示单一数值信息,无法直观地展示物体的整体温度分布情况,而且几乎没有功能拓展能力。以AORO A23为代表的热成像防爆手机改变了…

Linux·进程控制(system V)

1. 共享内存 system V共享内存是最快的IPC形式,之前的管道是基于Linux内核开发的通讯方案,其读写接口都是现成的,因此内核设计者为了完成进程间通讯任务并不需要新增太多代码。而共享内存属于system V标准,是操作系统单独…

C# CSV工具类,读取csv文件、将数据导出为csv文件格式,用DataGridView表格控件显示

CSVHelper.cs工具类能够将CSV格式的文件读取到程序中,转换为内存中DataTable类型的数据,可以作为数据源直接给到DataGridView控件以表格形式显示csv中的数据。也可以导出程序中DataTable类型数据为CSV文件。 使用示例: 1、准备一个csv文件 2…

qt QMenuBar详解

1、概述 QMenuBar是Qt框架中用于创建菜单栏的类,它继承自QWidget。QMenuBar通常位于QMainWindow对象的标题栏下方,用于组织和管理多个QMenu(菜单)和QAction(动作)。菜单栏提供了一个水平排列的容器&#x…

Ubuntu用docker安装AWVS和Nessus(含破解)

Ubuntu安装AWVS(更多搜索:超详细Ubuntu用docker安装AWVS和Nessus) 首先安装docker,通过dockers镜像安装很方便,且很快;Docker及Docker-Compose-安装教程。 1.通过docker search awvs命令查看镜像; docker search awvs…

SpringBoot篇(简化操作的原理)

目录 一、代码位置 二、统一版本管理(parent) 三、提供 starter简化 Maven 配置 四、自动配置 Spring(引导类) 五、嵌入式 servlet 容器 一、代码位置 二、统一版本管理(parent) SpringBoot项目都会继…

Spring 框架精髓:从基础到分布式架构的进阶之路

一、概述 (一)Spring框架概念 1.概念: Spring框架是一个用于简化Java企业级应用开发的开源应用程序框架。 2.Spring框架的核心与提供的技术支持: 核心: IoC控制反转|反转控制:利用框架创建类的对象的…