简 介： 本文总结了部分MATLAB中用于深度学习的数据集合。

关键词： MATLAB，DEEPLENARING

#mermaid-svg-xPWl4yTsAw5Z4HFe {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#mermaid-svg-xPWl4yTsAw5Z4HFe .error-icon{fill:#552222;}#mermaid-svg-xPWl4yTsAw5Z4HFe .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-xPWl4yTsAw5Z4HFe .edge-thickness-normal{stroke-width:2px;}#mermaid-svg-xPWl4yTsAw5Z4HFe .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-xPWl4yTsAw5Z4HFe .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-xPWl4yTsAw5Z4HFe .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-xPWl4yTsAw5Z4HFe .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-xPWl4yTsAw5Z4HFe .marker{fill:#333333;stroke:#333333;}#mermaid-svg-xPWl4yTsAw5Z4HFe .marker.cross{stroke:#333333;}#mermaid-svg-xPWl4yTsAw5Z4HFe svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-xPWl4yTsAw5Z4HFe .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-xPWl4yTsAw5Z4HFe .cluster-label text{fill:#333;}#mermaid-svg-xPWl4yTsAw5Z4HFe .cluster-label span{color:#333;}#mermaid-svg-xPWl4yTsAw5Z4HFe .label text,#mermaid-svg-xPWl4yTsAw5Z4HFe span{fill:#333;color:#333;}#mermaid-svg-xPWl4yTsAw5Z4HFe .node rect,#mermaid-svg-xPWl4yTsAw5Z4HFe .node circle,#mermaid-svg-xPWl4yTsAw5Z4HFe .node ellipse,#mermaid-svg-xPWl4yTsAw5Z4HFe .node polygon,#mermaid-svg-xPWl4yTsAw5Z4HFe .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-xPWl4yTsAw5Z4HFe .node .label{text-align:center;}#mermaid-svg-xPWl4yTsAw5Z4HFe .node.clickable{cursor:pointer;}#mermaid-svg-xPWl4yTsAw5Z4HFe .arrowheadPath{fill:#333333;}#mermaid-svg-xPWl4yTsAw5Z4HFe .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-xPWl4yTsAw5Z4HFe .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-xPWl4yTsAw5Z4HFe .edgeLabel{background-color:#e8e8e8;text-align:center;}#mermaid-svg-xPWl4yTsAw5Z4HFe .edgeLabel rect{opacity:0.5;background-color:#e8e8e8;fill:#e8e8e8;}#mermaid-svg-xPWl4yTsAw5Z4HFe .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-xPWl4yTsAw5Z4HFe .cluster text{fill:#333;}#mermaid-svg-xPWl4yTsAw5Z4HFe .cluster span{color:#333;}#mermaid-svg-xPWl4yTsAw5Z4HFe div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-xPWl4yTsAw5Z4HFe :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;}

MATLAB数据
目 录
Contents
合成数字图片
MNSIT手写数字图片
字母表
FLower数据集合
食物图片
Cifar-10
零售商品图片集合
街景数据
车辆Vechicle
RIT-18纽约地
区无人机图片
BraTS脑肿瘤
核磁共振图片
数据库名称与数量
Camelyon16
Challenge
数据集合
TC-12
RGB
See-in-The-Dark
Wild
Classification
总 结
参考文档:

§01 MATLAB数据

  在 Data Sets for Deep Learning 给出了MATLAB中用于深度学习的数据集合介绍以及下载方法。

1.1 合成数字图片

  这是一个10000个灰度合成数字姿态的数字集合。类似于MNIST，但它是合成的。

  问题来了，这些数字是如何被合成的？在哪儿可以下载到原始的数据集合呢？

数据库参数：
数量：10000
尺寸：28×28
色彩：灰度图片

▲ 图1.1.1 MATLAB Digits Dataset

1.2 MNSIT手写数字图片

  该集合包括有70,000个图片，分为60,000训练集合以及10,000个测试集合。

图片库参数：
数量：70,000
色彩：灰度图片
尺寸：28×28
  • 下载链接： MNIST官网下载地址 : http://yann.lecun.com/exdb/mnist/

▲ 图1.2.1 MNIST代表数字

1.3 字母表

  Omniglot数据集合包含有50个字母表，保安有30个训练集合，20个测试集合。 每个字符包含有一定数量EZif是， Ojibwe编号：14（这是加拿大欧土著音节字符）， Tifinagh：编号55。每个字符有20个手写字体。

  • 下载链接： Omniglot : https://github.com/brendenlake/omniglot
    ▲ 图1.3.1 Omniglot字符数据集合

1.4 FLower数据集合

  这是一个3670个花朵图片数据集合，分为五大类：Daisy（黛西）， Dandelion（蒲公英）， Roses（玫瑰花）， Sunflowers（向日葵）， Tulips（郁金香）。

数据库参数：
数量：3670
色彩：彩色
种类：5类
文件大小：218MB
  • **数据集合下载： ** Flowers : http://download.tensorflow.org/example_images/flower_photos.tgz
    ▲ 图1.4.1 Flowers数据集合

1.5 食物图片

图片库参数：
数量：978
色彩：彩色
种类：9类：Caesar_Salad, Caprese_salard, French_fires, Greek_salard, Hamburger, Hot_dog, Pizza, Sashimi, Suhi.
数据文件：77MB

▲ 图1.5.1 食物图片

  • 数据库下：

1.6 Cifar-10

数据库参数：
数量：60,000
色彩：彩色
尺寸：32×32
种类：10个类别:Airplane,Automobile,Bird,Car,Deer,Dog,Frog,Horse,Ship,Truck
每个类别：6000

▲ 图1.6.1 Cifar10图片

  • 下载链接 : https://www.cs.toronto.edu/~kriz/cifar-10-matlab.tar.gz

1.7 零售商品图片集合

  这个数据集合包括有5类Mathworks公司相关的零售商品。

数据集合参数：
数量：不详
种类：5类:Cap, Cube, Playing Cards, Torch
尺寸：227×227
色彩：彩色

▲ 图1.7.1 Mathworks 零售商品图片集

1.8 街景数据

  CamVid 数据集合是一组街景图品集合，从小轿车内部拍摄。用于训练网络对图片进行语义分割。改数据集合提供了32类像素级别语义标注。包括：轿车，行人，道路等。

数据参数：
数量：不详
尺寸：720×960
色彩：彩色
文件大小：573MB

▲ 图1.8.1 CamVid 街景图片数据集合

  • 下载链接： CamVid数据集合 : http://web4.cs.ucl.ac.uk/staff/g.brostow/MotionSegRecData/

1.9 车辆Vechicle

  Vehicle数据集合包括有295个图片，其中包含有1到2个车龄。适合于YOLO-v2的图像定位训练，但如果要达到实际应用，还需要更多的标注图片。

数据集合参数：
数量：295
色彩：彩色
尺寸：720×960

1.10 RIT-18纽约地区无人机图片

  这个数据集合包括有四旋翼无人机在纽约 Hamlin Beach 州立公园拍摄的图片。包括有18种物品标注：道路标志，树木，建筑物。

数据库参数：
文件大小：3GB
色彩：彩色
种类：18种类
▲ 图1.10.1 RIT-18数据集合

1.11 BraTS脑肿瘤核磁共振图片

  BarTS数据集合包含有脑肿瘤（神经胶质瘤 Glioms）这是主要脑部病变。

数据库参数：
数量：740
维度：4D
尺寸：240×240×155×4
文件大小：7GB

▲ 图1.11.1 脑部肿瘤数据库

§02 数据库名称与数量

2.1 Camelyon16

▲ 图2.1.1 Camelyon16

2.2 Challenge

▲ 图2.2.1 Low Dose CTGrand Challenge

2.3 数据集合

▲ 图2.3.1 COCO：Common Objects in Context

2.4 TC-12

▲ 图2.4.1 IAPRTC-12

2.5 RGB

▲ 图2.5.1 Zuirch RAW to RGB

2.6 See-in-The-Dark

▲ 图2.6.1 See-In-The-Dark

2.7 Wild

▲ 图2.7.1 LIVE in the Wild

2.8 Classification

▲ 图2.8.1 Conrete Crake Image for Classifiction

※ 总  结 ※

  本文总结了部分MATLAB中用于深度学习的数据集合。

■ 相关文献链接:

  • Data Sets for Deep Learning
  • MNIST官网下载地址
  • Omniglot
  • Flowers
  • 下载链接
  • CamVid数据集合

● 相关图表链接:

  • 图1.1.1 MATLAB Digits Dataset
  • 图1.2.1 MNIST代表数字
  • 图1.3.1 Omniglot字符数据集合
  • 图1.4.1 Flowers数据集合
  • 图1.5.1 食物图片
  • 图1.6.1 Cifar10图片
  • 图1.7.1 Mathworks 零售商品图片集
  • 图1.8.1 CamVid 街景图片数据集合
  • 图1.10.1 RIT-18数据集合
  • 图1.11.1 脑部肿瘤数据库
  • 图2.1.1 Camelyon16
  • 图2.2.1 Low Dose CTGrand Challenge
  • 图2.3.1 COCO：Common Objects in Context
  • 图2.4.1 IAPRTC-12
  • 图2.5.1 Zuirch RAW to RGB
  • 图2.6.1 See-In-The-Dark
  • 图2.7.1 LIVE in the Wild
  • 图2.8.1 Conrete Crake Image for Classifiction

◎ 参考文档：

[1] Lake, Brenden M., Ruslan Salakhutdinov, and Joshua B. Tenenbaum. “Human-Level Concept Learning through Probabilistic Program Induction.” Science 350, no. 6266 (December 11, 2015): 1332–38. https://doi.org/10.1126/science.aab3050.

[2] The TensorFlow Team. “Flowers” https://www.tensorflow.org/datasets/catalog/tf_flowers.

[3] Kat, Tulips, image, https://www.flickr.com/photos/swimparallel/3455026124.Creative Commons License (CC BY).

[4] Rob Bertholf, Sunflowers, image, https://www.flickr.com/photos/robbertholf/20777358950.Creative Commons 2.0 Generic License.

[5] Parvin, Roses, image, https://www.flickr.com/photos/55948751@N00.Creative Commons 2.0 Generic License.

[6] John Haslam, Dandelions, image, https://www.flickr.com/photos/foxypar4/645330051.Creative Commons 2.0 Generic License.

[7] Krizhevsky, Alex. “Learning Multiple Layers of Features from Tiny Images.” MSc thesis, University of Toronto, 2009. https://www.cs.toronto.edu/~kriz/learning-features-2009-TR.pdf.

[8] Brostow, Gabriel J., Julien Fauqueur, and Roberto Cipolla. “Semantic Object Classes in Video: A High-Definition Ground Truth Database.” Pattern Recognition Letters 30, no. 2 (January 2009): 88–97. https://doi.org/10.1016/j.patrec.2008.04.005.

[9] Kemker, Ronald, Carl Salvaggio, and Christopher Kanan. “High-Resolution Multispectral Dataset for Semantic Segmentation.” ArXiv:1703.01918 [Cs], March 6, 2017. https://arxiv.org/abs/1703.01918.

[10] Isensee, Fabian, Philipp Kickingereder, Wolfgang Wick, Martin Bendszus, and Klaus H. Maier-Hein. “Brain Tumor Segmentation and Radiomics Survival Prediction: Contribution to the BRATS 2017 Challenge.” In Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries, edited by Alessandro Crimi, Spyridon Bakas, Hugo Kuijf, Bjoern Menze, and Mauricio Reyes, 10670: 287–97. Cham, Switzerland: Springer International Publishing, 2018. https://doi.org/10.1007/978-3-319-75238-9_25.

[11] Ehteshami Bejnordi, Babak, Mitko Veta, Paul Johannes van Diest, Bram van Ginneken, Nico Karssemeijer, Geert Litjens, Jeroen A. W. M. van der Laak, et al. “Diagnostic Assessment of Deep Learning Algorithms for Detection of Lymph Node Metastases in Women With Breast Cancer.” JAMA 318, no. 22 (December 12, 2017): 2199. https://doi.org/10.1001/jama.2017.14585.

[12] McCollough, C.H., Chen, B., Holmes, D., III, Duan, X., Yu, Z., Yu, L., Leng, S., Fletcher, J. (2020). Data from Low Dose CT Image and Projection Data [Data set]. The Cancer Imaging Archive. https://doi.org/10.7937/9npb-2637.

[13] Grants EB017095 and EB017185 (Cynthia McCollough, PI) from the National Institute of Biomedical Imaging and Bioengineering.

[14] Grubinger, Michael, Paul Clough, Henning Müller, and Thomas Deselaers. “The IAPR TC-12 Benchmark: A New Evaluation Resource for Visual Information Systems.” Proceedings of the OntoImage 2006 Language Resources For Content-Based Image Retrieval. Genoa, Italy. Vol. 5, May 2006, p. 10.

[15] Ignatov, Andrey, Luc Van Gool, and Radu Timofte. “Replacing Mobile Camera ISP with a Single Deep Learning Model.” ArXiv:2002.05509 [Cs, Eess], February 13, 2020. https://arxiv.org/abs/2002.05509.Project Website.

[16] Chen, Chen, Qifeng Chen, Jia Xu, and Vladlen Koltun. “Learning to See in the Dark.” ArXiv:1805.01934 [Cs], May 4, 2018. https://arxiv.org/abs/1805.01934.

[17] LIVE: Laboratory for Image and Video Engineering. https://live.ece.utexas.edu/research/ChallengeDB/index.html.

[18] Liznerski, Philipp, Lukas Ruff, Robert A. Vandermeulen, Billy Joe Franks, Marius Kloft, and Klaus-Robert Müller. “Explainable Deep One-Class Classification.” ArXiv:2007.01760 [Cs, Stat], March 18, 2021. http://arxiv.org/abs/2007.01760.

[19] Kudo, Mineichi, Jun Toyama, and Masaru Shimbo. “Multidimensional Curve Classification Using Passing-through Regions.” Pattern Recognition Letters 20, no. 11–13 (November 1999): 1103–11. https://doi.org/10.1016/S0167-8655(99)00077-X.

[20] Kudo, Mineichi, Jun Toyama, and Masaru Shimbo. Japanese Vowels Data Set. Distributed by UCI Machine Learning Repository. https://archive.ics.uci.edu/ml/datasets/Japanese+Vowels

[21] Saxena, Abhinav, Kai Goebel. “Turbofan Engine Degradation Simulation Data Set.” NASA Ames Prognostics Data Repository https://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/,NASA Ames Research Center, Moffett Field, CA.

[22] Rieth, Cory A., Ben D. Amsel, Randy Tran, and Maia B. Cook. “Additional Tennessee Eastman Process Simulation Data for Anomaly Detection Evaluation.” Harvard Dataverse, Version 1, 2017. https://doi.org/10.7910/DVN/6C3JR1.

[23] Goldberger, Ary L., Luis A. N. Amaral, Leon Glass, Jeffrey M. Hausdorff, Plamen Ch. Ivanov, Roger G. Mark, Joseph E. Mietus, George B. Moody, Chung-Kang Peng, and H. Eugene Stanley. “PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals.” Circulation 101, No. 23, 2000, pp. e215–e220. https://circ.ahajournals.org/content/101/23/e215.full.

[24] Laguna, Pablo, Roger G. Mark, Ary L. Goldberger, and George B. Moody. “A Database for Evaluation of Algorithms for Measurement of QT and Other Waveform Intervals in the ECG.” Computers in Cardiology 24, 1997, pp. 673–676.

[25] Warden, Pete. “Speech Commands: A public dataset for single-word speech recognition”, 2017. Available from http://download.tensorflow.org/data/speech_commands_v0.01.tar.gz. Copyright Google 2017. The Speech Commands Dataset is licensed under the Creative Commons Attribution 4.0 license, available here: https://creativecommons.org/licenses/by/4.0/legalcode.

[26] Burkhardt, Felix, Astrid Paeschke, Melissa A. Rolfes, Walter F. Sendlmeier, and Benjamin Weiss. “A Database of German Emotional Speech.” Proceedings of Interspeech 2005. Lisbon, Portugal: International Speech Communication Association, 2005.

[27] Mesaros, Annamaria, Toni Heittola, and Tuomas Virtanen. “Acoustic scene classification: an overview of DCASE 2017 challenge entries.” In 2018 16th International Workshop on Acoustic Signal Enhancement (IWAENC), pp. 411-415. IEEE, 2018.

[28] Hesai and Scale. PandaSet. https://scale.com/open-datasets/pandaset

MATLAB中深度学习的数据集合相关推荐

  1. DL：关于深度学习常用数据集中训练好的权重文件(Deeplab v3、MobileNet、InceptionV3、VGG系列、ResNet、Mask R-CNN )下载地址集合(持续更新)

    DL:关于深度学习常用数据集中训练好的权重文件(Deeplab v3.MobileNet.InceptionV3.VGG系列.ResNet.Mask R-CNN )下载地址集合(持续更新) 目录 基于 ...

  2. MATLAB与深度学习（二）— 训练神经网络（图像分类识别）

    MATLAB与深度学习(二)- 训练神经网络(图像分类识别) 上一篇,我们介绍了与深度学习相关的MATLAB工具包.这一篇,我们将介绍如何训练神经网络和相关的基础知识.本文借鉴和引用了网上许多前辈的经 ...

  3. MATLAB与深度学习（一）— Deep Learning Toolbox

    MATLAB与深度学习(一)- Deep Learning Toolbox 最近,我在学习基于matlab的深度学习的内容,并整理出如下学习笔记.本文借鉴和引用了网上许多前辈的经验和代码,如有冒犯,请 ...

  4. RS中深度学习的两类方法：表示学习和匹配函数学习

    目录 1 基于表示学习 1.1 无序交互 MLP 自动编码器AE 注意力机制 1.2 序列交互 RNN CNN 注意力机制 1.3 多模态内容 分类属性 用户评论 多媒体内容 1.4 链路图 端到端: ...

  5. 仿真的数据能否用来深度学习_数字孪生弥合了深度学习的数据鸿沟

    点击上方"蓝色字体",选择 "设为星标" 关键讯息,D1时间送达! 随着企业开始使用可将其数据投入使用的深度学习(DL)项目,他们必须保护这些数据,而数字孪生是 ...

  6. 深度学习训练数据打标签过程

    深度学习训练数据打标签过程 为了获取大量的图片训练数据,在采集数据的过程中常用视频的方式采集数据,但对于深度学习,训练的过程需要很多的有有标签的数据,这篇文章主要是解决视频文件转换成图片文件,并加标签 ...

  7. 深度学习——day38 读论文：基于深度学习的数据竞争检测方法（DeleRace计算机研究与发展 2022）

    基于深度学习的数据竞争检测方法 chap0 Introduction 本文贡献: 原文及笔记下载 chap1 DeleRace 1.1 检测框架 1.2 选取实际应用程序 1.3 特征提取 1.3.1 ...

  8. 基于矢量成果从影像提取中深度学习样本库

    大数据之:影像提取中深度学习样本库获取的思考 话说,虾神一直是做空间统计和数据分析的,对于深度学习这个热门学科,一直以来也就停留在"了解"阶段,虽然这个平展开来,里面比较核心的技术 ...

  9. 关于MATLAB中xlswrite函数写数据出现服务器异常情况的解决办法

    关于MATLAB中xlswrite函数写数据出现服务器异常情况的解决办法 参考文章: (1)关于MATLAB中xlswrite函数写数据出现服务器异常情况的解决办法 (2)https://www.cn ...

最新文章

  1. IE6/IE7中JavaScript json最后一个键值后不能增加逗号
  2. 移远NB-IOT模块的BC28与M26与BC26对比
  3. linux 关闭密码复杂化,Linux系统设置复杂密码策略方法
  4. 新媒体学python有用吗_你真的不学Python吗?学习Python的四大理由!
  5. NYOJ 618 追击
  6. [C1W3] Neural Networks and Deep Learning - Shallow neural networks
  7. 网络基础 2-1（应用层，HTTP三点注意，HTTP协议格式， 最简单的HTTP服务器）
  8. 联想Z6预告海报公布：最轻4000mAh手机，没有之一
  9. php oracle count,请教分析函数count
  10. 11g R2 RAC客户端负载均衡配置
  11. FTP 中 「quote type b 1」的含义
  12. Java8 in action(1) 通过行为参数化传递代码--lambda代替策略模式
  13. 2019我依旧满腔热血，追寻爱与梦想
  14. 跨站脚本（XSS）漏洞
  15. python代码画玫瑰花_python绘制玫瑰
  16. Aruba7010 默认密码_工信部提醒：手机要及时设置SIM卡密码！很多人都不知道！...
  17. linux相关图形与相关命令
  18. WiFi 2.4GHz和5GHz的差别
  19. 3 Win98的文件系统
  20. 【Qt函数】Qt函数2

热门文章

  1. 高并发下redis缓存穿透问题解决方案
  2. 深入浅出Mybatis系列（三）---配置详解之properties与environments（mybatis源码篇）
  3. 4.12 《硬啃设计模式》 第29章 行为型设计模式小结
  4. .Net使用SignalR实现消息推送功能预研及Demo
  5. 对tomcat服务的***演示与安全分析
  6. 编程人员需知的Windows平台编程的环境设置技巧
  7. RHEL 6上KVM的安装配置及使用-将物理接口桥接到桥接器
  8. java.lang.reflect.InaccessibleObjectException: Unable to make
  9. 在CentOS上安装Java环境—openjdk1.7 解决https配置问题
  10. Oracle 删除数据后释放数据文件所占磁盘空间