眾所周知，計算機領(lǐng)域論文是要以實驗為基礎(chǔ)的，而實驗的原料就是數(shù)據(jù)。不管是在圖像，文字或者語音領(lǐng)域，開源的數(shù)據(jù)都十分寶貴和重要。這里主要收集各領(lǐng)域的一些常用的公開數(shù)據(jù)集。

?

計算機視覺：

?【ImageNet】

?

【Caltech Pedestrian Dataset】

簡介：行人檢測數(shù)據(jù)集

網(wǎng)址：https://www.vision.caltech.edu/Image_Datasets/CaltechPedestrians/

細(xì)節(jié)：

（1）攝像頭位于車上

（2）圖片模糊

（3）行人少而小，大多數(shù)圖片不包含行人

（4）原始數(shù)據(jù)為視頻，可以采樣為圖片

（5）官網(wǎng)給出了各種方法的性能，給出了evaluation的代碼。

?

自然語言處理：

【維基百科簡體中文語料】

簡介：較大規(guī)模的中文語料

網(wǎng)址：http://download.wikipedia.com/zhwiki/latest/zhwiki-latest-pages-articles.xml.bz2

細(xì)節(jié)：

（1）這個壓縮包包含標(biāo)題和正文

（2）用http://medialab.di.unipi.it/wiki/Wikipedia_Extractor抽取數(shù)據(jù)

（3）抽取命令?bzcat zhwiki-latest-pages-articles.xml.bz2 | python WikiExtractor.py -b1000M -o extracted >output.txt

（4）內(nèi)容為簡繁體混雜，需要https://github.com/BYVoid/OpenCC，https://code.google.com/archive/p/opencc/wikis/Install.wiki解決，運行命令opencc -i wiki_00 -o wiki_chs -c zht2zhs.ini

（5）參考使用網(wǎng)站：http://licstar.net/archives/262

?

語音處理：

?

數(shù)字醫(yī)學(xué)數(shù)據(jù)：

?

總結(jié)

以上是生活随笔為你收集整理的Data Collection的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。