這是一份非常全面的開源資料集，你，真的不想要嗎？

机器之心發表於2018-09-05

近期，skymind.ai 釋出了一份非常全面的開源資料集。內容包括生物識別、自然影像以及深度學習影像等資料集，現機器之心將其整理如下：（內附連結哦~）


最近新增資料集


  • 開源生物識別資料：http://openbiometrics.org/


  • Google Audioset：擴充套件了 632 個音訊分類樣本，並從 YouTube 影片中提取了 2，084，320 個人類標記的 10 秒聲音片段。

  • 地址：https://research.google.com/audioset/


  • Uber 2B trip data：首次展示 2 百萬公里的出行資料。

  • 地址：https://movement.uber.com/cities


  • Yelp Open Dataset：Yelp 資料集是用於 NLP 的 Yelp 業務、評論和使用者資料的子集。

  • 地址：https://www.yelp.com/dataset


  • Core50：用於連續目標識別的新資料集和基準。

  • 地址：https://vlomonaco.github.io/core50/


  • Kaggle 資料集：https://www.kaggle.com/datasets


  • Data Portal：http://dataportals.org/


  • Open Data Monitor：https://opendatamonitor.eu/


  • Quandl Data Portal：https://www.quandl.com/


  • Mut1ny 頭部/面部分割資料集：http://www.mut1ny.com/face-headsegmentation-dataset


  • Github 上的優秀公共資料集：https://www.kdnuggets.com/2015/04/awesome-public-datasets-github.html


  • 頭部 CT 掃描資料集：491 次掃描的 CQ500 資料集。

  • 地址：http://headctstudy.qure.ai/


自然影像資料集


  • MNIST：手寫數字影像。最常用的可用性檢查。格式 25x25、居中、黑白手寫數字。這是一項簡單的任務——僅某部分適用於 MNIST，不意味著它有效。

  • 地址：http://yann.lecun.com/exdb/mnist/


  • CIFAR10 / CIFAR100：32x32 彩色影像，10/100 類。雖然仍有趣卻不再常用的可用性檢查。

  • 地址：http://www.cs.utoronto.ca/~kriz/cifar.html


  • Caltech 101：101 類物體的圖片。

  • 地址：http://www.vision.caltech.edu/Image_Datasets/Caltech101/


  • Caltech 256：256 類物體的圖片。

  • 地址：http://www.vision.caltech.edu/Image_Datasets/Caltech256/


  • STL-10 資料集：用於開發無監督特徵學習、深度學習、自學習演算法的影像識別資料集。像修改過的 CIFAR-10。

  • 地址：http://cs.stanford.edu/~acoates/stl10/


  • The Street View House Numbers (SVHN)：Google 街景中的門牌號碼。可以把它想象成復現的戶外 MNIST。

  • 地址：http://ufldl.stanford.edu/housenumbers/


  • NORB：玩具擺件在各種照明和姿勢下的雙目影像。

  • 地址：http://www.cs.nyu.edu/~ylclab/data/norb-v1.0/


  • Pascal VOC：通用影像分割/分類——對於構建真實世界影像註釋不是非常有用，但對基線很有用。

  • 地址：http://pascallin.ecs.soton.ac.uk/challenges/VOC/


  • Labelme：帶註釋影像的大型資料集。

  • 地址：http://labelme.csail.mit.edu/Release3.0/browserTools/php/dataset.php


  • ImageNet：新演算法的客觀影像資料集（de-facto image dataset）。許多影像 API 公司都有來自其 REST 介面的標籤，這些標籤近 1000 類;WordNet; ImageNet 的層次結構。

  • 地址：http://image-net.org/


  • LSUN：具有很多輔助任務的場景理解（房間佈局估計，顯著性預測（saliency prediction）等），有關聯競賽。（associated competition）。

  • 地址：http://lsun.cs.princeton.edu/2016/


  • MS COCO：通用影像理解/說明，有關聯競賽。

  • 地址：http://mscoco.org/


  • COIL 20：不同物體在 360 度旋轉中以每個角度成像。

  • 地址：http://www.cs.columbia.edu/CAVE/software/softlib/coil-20.php


  • COIL100：不同物體在 360 度旋轉中以每個角度成像。

  • 地址：http://www1.cs.columbia.edu/CAVE/software/softlib/coil-100.php


  • Google 開源影像：有 900 萬張影像的網址集合，這些影像透過知識共享（Creative Commons）被標註成 6000 多個類別。

  • 地址：https://research.googleblog.com/2016/09/introducing-open-images-dataset.html


地理空間資料


  • OpenStreetMap：免費提供整個星球的向量資料。它包含（舊版）美國人口普查局的資料。

  • 地址：http://wiki.openstreetmap.org/wiki/Planet.osm


  • Landsat8：整個地球表面的衛星視角圖，每隔幾周更新一次。

  • 地址：https://landsat.usgs.gov/landsat-8


  • NEXRAD：美國大氣層的多普勒雷達掃描圖。

  • 地址： https://www.ncdc.noaa.gov/data-access/radar-data/nexrad


————————我是深度學習影像的分割線————————


人工資料集


  • Arcade Universe：一個人工資料集生成器，影像包含街機遊戲 sprite，如 tetris pentomino / tetromino。該生成器基於 O. Breleux 的 bugland 資料集生成器。

  • 地址：https://github.com/caglar/Arcade-Universe


  • 以 Baby AI School 為靈感的資料集集合。

  • 地址：http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/BabyAISchool


  • Baby AI Shapes Dataset：區分 3 種簡單形狀。

  • 地址：http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/BabyAIShapesDatasets


  • Baby AI Image And Question Dataset：一個問題-影像-答案資料集。

  • 地址：http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/BabyAIImageAndQuestionDatasets


  • Deep Vs Shallow Comparison ICML2007：為實證評估深層架構而生成的資料集。

  • 地址：http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/DeepVsShallowComparisonICML2007


  • MnistVariations：在 MNIST 中引入受控變化。

  • 地址：http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/MnistVariations


  • RectanglesData：區分寬矩形和垂直矩形。

  • 地址：http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/RectanglesData


  • ConvexNonConvex：區分凸形和非凸形狀。

  • 地址：http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/ConvexNonConvex


  • BackgroundCorrelation：嘈雜 MNIST 背景下相關度的控制

  • 地址：http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/BackgroundCorrelation


人臉資料集


  • Labelled Faces in the Wild：13000 個經過裁剪的人臉區域（使用已經用名稱識別符號標記過的 Viola-Jones）。資料集中每個人員的子集裡包含兩個影像——人們常用此資料集訓練面部匹配系統。

  • 地址：http://vis-www.cs.umass.edu/lfw/


  • UMD Faces：有 8501 個主題的 367，920 個面孔的帶註釋資料集。

  • 地址：http://www.umdfaces.io/


  • CASIA WebFace：超過 10，575 個人經面部檢測的 453，453 張影像的面部資料集。需要一些質量過濾。

  • 地址：http://www.cbsr.ia.ac.cn/english/CASIA-WebFace-Database.html


  • MS-Celeb-1M：100 萬張全世界的名人圖片。需要一些過濾才能在深層網路上獲得最佳結果。

  • 地址：https://www.microsoft.com/en-us/research/project/ms-celeb-1m-challenge-recognizing-one-million-celebrities-real-world/


  • Olivetti：一些人類的不同影像。

  • 地址：http://www.cs.nyu.edu/~roweis/data.html


  • Multi-Pie：The CMU Multi-PIE Face 資料庫。

  • 地址：http://www.multipie.org/


  • Face-in-Action：http://www.flintbox.com/public/project/5486/


  • JACFEE：日本和白種人面部情緒表達的影像。

  • 地址：http://www.humintell.com/jacfee/


  • FERET：面部識別技術資料庫。

  • 地址：http://www.itl.nist.gov/iad/humanid/feret/feret_master.html


  • mmifacedb：MMI 面部表情資料庫。

  • 地址：http://www.mmifacedb.com/


  • IndianFaceDatabase：http://vis-www.cs.umass.edu/~vidit/IndianFaceDatabase/


  • 耶魯人臉資料庫：http://vision.ucsd.edu/content/yale-face-database


  • 耶魯人臉資料庫 B：http://vision.ucsd.edu/~leekc/ExtYaleDatabase/ExtYaleB.html


  • Mut1ny 頭部/面部分割資料集：畫素超過 16K 的面部/頭部分割影像

  • 地址：http://www.mut1ny.com/face-headsegmentation-dataset


————————我是深度學習影片的分割線————————


影片資料集


  • Youtube-8M：用於影片理解研究的大型多樣化標記影片資料集。

  • 地址：https://research.googleblog.com/2016/09/announcing-youtube-8m-large-and-diverse.html


文字資料集


  • 20 newsgroups：分類任務，將出現的單詞對映到新聞組 ID。用於文字分類的經典資料集之一，通常可用作純分類的基準或任何 IR /索引演算法的驗證。

  • 地址：http://qwone.com/~jason/20Newsgroups/


  • 路透社新聞資料集：（較舊）純粹基於分類的資料集，包含來自新聞專線的文字。常用於教程。

  • 地址：https://archive.ics.uci.edu/ml/datasets/Reuters-21578+Text+Categorization+Collection


  • 賓州樹庫：用於下一個單詞或字元預測。

  • 地址：http://www.cis.upenn.edu/~treebank/


  • UCI‘s Spambase：來自著名的 UCI 機器學習庫的（舊版）經典垃圾郵件資料集。根據資料集的組織細節，可以將它作為學習私人垃圾郵件過濾的基線。

  • 地址：https://archive.ics.uci.edu/ml/datasets/Spambase


  • Broadcast News：大型文字資料集，通常用於下一個單詞預測。

  • 地址：http://www.ldc.upenn.edu/Catalog/CatalogEntry.jsp?catalogId=LDC97S44


  • 文字分類資料集：來自 Zhang et al., 2015。用於文字分類的八個資料集合集。這些是用於新文字分類基線的基準。樣本大小從 120K 至 3.6M 不等，範圍從二進位制到 14 個分類問題。資料集來自 DBPedia、亞馬遜、Yelp、Yahoo！和 AG。

  • 地址：https://drive.google.com/drive/u/0/folders/0Bz8a_Dbh9Qhbfll6bVpmNUtUcFdjYmF2SEpmZUZUcVNiMUw1TWN6RDV3a0JHT3kxLVhVR2M


  • WikiText：來自維基百科高質量文章的大型語言建模語料庫，由 Salesforce MetaMind 策劃。

  • 地址：http://metamind.io/research/the-wikitext-long-term-dependency-language-modeling-dataset/


  • SQuAD：史丹佛問答資料集——應用廣泛的問答和閱讀理解資料集，其中每個問題的答案都以文字形式呈現。

  • 地址：https://rajpurkar.github.io/SQuAD-explorer/


  • Billion Words 資料集：一種大型通用語言建模資料集。通常用於訓練分散式單詞表徵，如 word2vec。

  • 地址：http://www.statmt.org/lm-benchmark/


  • Common Crawl：網路的位元組級抓取——最常用於學習單詞嵌入。可從 Amazon S3 上免費獲取。也可以用作網路資料集，因為它可在全球資訊網進行抓取。

  • 地址：http://commoncrawl.org/the-data/


  • Google Books Ngrams：來自 Google book 的連續字元。當單詞首次被廣泛使用時，提供一種簡單的方法來探索。

  • 地址：https://aws.amazon.com/datasets/google-books-ngrams/


  • Yelp 開源資料集：Yelp 資料集是用於 NLP 的 Yelp 業務、評論和使用者資料的子集。

  • 地址：https://www.yelp.com/dataset


————————我是深度學習文字的分割線————————


問答資料集


  • Maluuba News QA 資料集：CNN 新聞文章中的 12 萬個問答對。

  • 地址：https://datasets.maluuba.com/NewsQA


  • Quora 問答對：Quora 釋出的第一個資料集，包含重複/語義相似性標籤。

  • 地址：https://data.quora.com/First-Quora-Dataset-Release-Question-Pairs


  • CMU Q / A 資料集：手動生成的模擬問/答對，維基百科文章對其難度評分很高。

  • 地址：http://www.cs.cmu.edu/~ark/QA-data/


  • Maluuba 面向目標的對話：程式性對話資料集，對話旨在完成任務或做出決定。常用於聊天機器人。

  • 地址：https://datasets.maluuba.com/Frames


  • bAbi：來自 Facebook AI Research（FAIR）的綜合閱讀理解和問答資料集。

  • 地址：https://research.fb.com/projects/babi/


  • The Children’s Book Test：Project Gutenberg 提供的兒童圖書中提取的（問題+背景、答案）對的基線。用於問答（閱讀理解）和模擬查詢。

  • 地址：http://www.thespermwhale.com/jaseweston/babi/CBTest.tgz


情感資料集


  • 多領域情緒分析資料集：較舊的學術資料集。

  • 地址：http://www.cs.jhu.edu/~mdredze/datasets/sentiment/


  • IMDB：用於二元情感分類的較舊、較小資料集。對文獻中的基準測試無法支援更大的資料集。

  • 地址：http://ai.stanford.edu/~amaas/data/sentiment/


  • Stanford Sentiment Treebank：標準情感資料集，在每個句子解析樹的每個節點都有細粒度的情感註釋。

  • 地址：http://nlp.stanford.edu/sentiment/code.html


推薦和排名系統


  • Movielens：來自 Movielens 網站的電影評分資料集，各類大小都有。

  • 地址：https://grouplens.org/datasets/movielens/


  • Million Song 資料集：Kaggle 上後設資料豐富的大型開源資料集，可以幫助人們使用混合推薦系統。

  • 地址：https://www.kaggle.com/c/msdchallenge


  • Last.fm：音樂推薦資料集，可訪問深層社交網路和其它可用於混合系統的後設資料。

  • 地址：http://grouplens.org/datasets/hetrec-2011/


  • Book-Crossing 資料集：來自 Book-Crossing 社群。包含 278,858 位使用者提供的約 271,379 本書的 1,149,780 個評分。

  • 地址：http://www.informatik.uni-freiburg.de/~cziegler/BX/


  • Jester：來自 73,421 名使用者對 100 個笑話的 410 萬個連續評分（分數從-10 至 10）。

  • 地址：http://www.ieor.berkeley.edu/~goldberg/jester-data/


  • Netflix Prize：Netflix 釋出了他們的電影評級資料集的匿名版；包含 480,000 名使用者對 17,770 部電影的 1 億個評分。首個主要的 Kaggle 風格資料挑戰。隨著隱私問題的出現，只能提供非正式版。

  • 地址：http://www.netflixprize.com/


————————我是深度學習圖表的分割線————————


網路和圖形


  • Amazon Co-Purchasing：亞馬遜評論從「購買此產品的使用者也購買了……」這一部分抓取資料，以及亞馬遜相關產品的評論資料。適合在網路中試行推薦系統。

  • 地址：http://snap.stanford.edu/data/#amazon


  • Friendster 社交網路資料集：在變成遊戲網站之前，Friendster 以朋友列表的形式為 103,750,348 名使用者釋出了匿名資料。

  • 地址：https://archive.org/details/friendster-dataset-201107


語音資料集


  • 2000 HUB5 English：最近在 Deep Speech 論文中使用的英語語音資料，從百度獲取。

  • 地址：https://catalog.ldc.upenn.edu/LDC2002T43


  • LibriSpeech：包含文字和語音的有聲讀物資料集。由多個朗讀者閱讀的近 500 小時的各種有聲讀物演講內容組成，包含帶有文字和語音的章節。

  • 地址：http://www.openslr.org/12/


  • VoxForge：帶口音的清晰英語語音資料集。適用於提升不同口音或語調魯棒性的案例。

  • 地址：http://www.voxforge.org/


  • TIMIT：英語語音識別資料集。

  • 地址：https://catalog.ldc.upenn.edu/LDC93S1


  • CHIME：嘈雜的語音識別挑戰資料集。資料集包含真實、模擬和乾淨的錄音。真實錄音由 4 個揚聲器在 4 個嘈雜位置的近 9000 個錄音構成，模擬錄音由多個語音環境和清晰的無噪聲錄音結合而成。

  • 地址：http://spandh.dcs.shef.ac.uk/chime_challenge/data.html


  • TED-LIUM：TED 演講的音訊轉錄。1495 個 TED 演講錄音以及這些錄音的文字轉錄。

  • 地址：http://www-lium.univ-lemans.fr/en/content/ted-lium-corpus


————————我是深度學習音訊的分割線————————


音符音樂資料集


  • Piano-midi.de: 古典鋼琴曲

  • 地址：http://www.piano-midi.de/


  • Nottingham : 超過 1000 首民謠

  • 地址：http://abc.sourceforge.net/NMD/


  • MuseData: 古典音樂評分的電子圖書館

  • 地址：http://musedata.stanford.edu/


  • JSB Chorales: 四部協奏曲

  • 地址：http://www.jsbchorales.net/index.shtml


其它資料集


  • CMU 動作抓取資料集：http://mocap.cs.cmu.edu/


  • Brodatz dataset：紋理建模。

  • 地址：http://www.ux.uis.no/~tranden/brodatz.html


  • 來自歐洲核子研究中心的大型強子對撞機（LHC）的 300TB 高質量資料。

  • 地址：http://opendata.cern.ch/search?ln=en&p=Run2011A+AND+collection:CMS-Primary-Datasets+OR+collection:CMS-Simulated-Datasets+OR+collection:CMS-Derived-Datasets


  • 紐約計程車資料集：由 FOIA 請求而獲得的紐約計程車資料，導致隱私問題。

  • 地址：http://www.nyc.gov/html/tlc/html/about/trip_record_data.shtml


  • Uber FOIL 資料集：來自 Uber FOIL 請求的紐約 4.5M 拾取資料。

  • 地址：https://github.com/fivethirtyeight/uber-tlc-foil-response


  • Criteo 點選量資料集：來自歐盟重新定位的大型網際網路廣告資料集。

  • 地址：http://research.criteo.com/outreach/


健康 &生物資料


  • 歐盟傳染病監測圖集：http://ecdc.europa.eu/en/data-tools/atlas/Pages/atlas.aspx


  • 默克分子活動挑戰：http://www.kaggle.com/c/MerckActivity/data


  • Musk dataset: Musk dataset 描述了以不同構造出現的分子。每個分子都是 musk 或 non-musk，且其中一個構造決定了這一特性。

  • 地址：https://archive.ics.uci.edu/ml/datasets/Musk+(Version+2)


政府&統計資料


  • Data USA: 最全面的視覺化美國公共資料。

  • 地址：http://datausa.io/


  • 歐盟性別統計資料庫：http://eige.europa.eu/gender-statistics


  • 荷蘭國家地質研究資料 ：http://www.nationaalgeoregister.nl/geonetwork/srv/dut/search#fast=index&from=1&to=50&any_OR_geokeyword_OR_title_OR_keyword=landinrichting*&relation=within


  • 聯合國開發計劃署專案：http://open.undp.org/#2016

相關文章