人脸识别图像检测方向开源数据集资源汇总

图像识别任务执行时间分析数据

数据集下载地址：https://data.sykv.cn/facedetect/372.html

图像识别任务执行时间数据集共有4个文件。每个csv文件都包含每个边缘服务器的执行时间。每个数据集包含两列：本地时间和任务的实际执行时间。在实验过程中，客户端(边缘移动节点)每秒钟向边缘服务器发送一张图像来处理任务。边缘服务器执行图像识别并返回预测结果。

(LFW)带标签的人脸照片数据库

数据集下载地址：https://data.sykv.cn/facedetect/283.html

（LFW）是专为研究无限制人脸识别问题而设计的人脸照片数据库。该数据库是由马萨诸塞大学阿默斯特分校的研究人员创建和维护。Viola Jones脸部检测器检测到5233人的13,233张图像并居中，并从网上收集了这些图像。在有照片的1680人中，数据集中有两张或更多不同的照片。原始数据库包含四组不同的LFW图像，以及三组不同类型的“对齐”图像。据研究人员称，与其他图像类型相比，大多数人脸验证算法的深漏斗图像产生了更好的结果。

图像中的人脸检测

数据集下载地址：https://data.sykv.cn/facedetect/280.html

图像边界框数据集以检测图像中的人脸带有边框的图像中的人脸。通过边界框手动标记约500张图像和约1100张面孔。

Extended Yale Face Database B 人脸数据集

数据集下载地址：https://data.sykv.cn/facedetect/192.html

Extended Yale Face Database B 是灰度图人脸图像数据集，包含 28 个人，在 9 种不同的姿势和 64 种不同的拍摄参数下，总共 16128 张人脸图像。
扩展的耶鲁人脸数据库B包含9个姿势和64个照明条件下28个人类对象的16128张图像。该数据库的数据格式与Yale Face数据库B相同。

Caltech 10k Web Faces 人脸图像数据

数据集下载地址：https://data.sykv.cn/facedetect/181.html

该数据集包含 通过在 Google Image Search中键入常用的给定名称从网络上收集  的人的图像。每个地面的眼睛，鼻子和嘴的中心的坐标在地面真实文件中提供。此信息可用于对齐和裁剪人脸，或用作人脸检测算法的基本事实。 数据集包含10,524张不同分辨率和不同设置的人脸，例如肖像图像，人群等。未标记个人资料脸或分辨率极低的脸。Caltech 10k Web Faces 是一个人脸图像数据，包含人脸图像和标注信息，标注眼睛、鼻子和嘴巴的位置，来自Google图像搜索后的人工标注。

IMDB-WIKI数据集｜IMDB-WIKI –带有年龄和性别标签的500k +人脸图像

数据集下载地址：https://data.sykv.cn/facedetect/173.html

在本文中，我们通过深度学习解决了静止图像中的表观年龄估计问题。我们的卷积神经网络（CNN）使用VGG-16架构，并在ImageNet上进行了预训练以进行图像分类。另外，由于表观年龄注释图像的数量有限，我们探索了对具有可用年龄的已爬网Internet人脸图像进行微调的好处。

DCIGN人脸数据集

数据集下载地址：https://data.sykv.cn/facedetect/172.html

DCIGN人脸数据集是采用深度网络 Deep Convolutional Inverse Graphics Network 进行人脸特征建模，旨在构建剔除人脸角度、光照、材质等外生条件的人脸模型。

INRIA 行人数据集

数据集下载地址：https://data.sykv.cn/facedetect/170.html

该数据集是原作者在行人检测研究工作中在图像和视频中收集的直立人样本，该研究的细节见论文: Histograms of OrientedGradients for Human Detection和该作者博士毕业论文。该数据集分为两种格式：（a）具有对应注释文件的原始图像（b）原始的负样本图像和标准化64*128像素的正样本图像（用于CVPR论文中的）

Labeled Faces in the Wild 人脸识别数据集

数据集下载地址：https://data.sykv.cn/facedetect/169.html

四组不同的LFW图像，包括原始图像和三种不同类型的“对齐”图像。对齐的图像包括“漏斗图像”（ICCV 2007），使用未公开的对齐方法的LFW-a和“深漏斗”图像（NIPS 2012）。其中，LFW-a和深层漏斗形图像对于大多数人脸验证算法而言，比原始图像和漏斗形图像具有更好的效果（ICCV 2007）。

VGG Face 人脸图像数据

数据集下载地址：https://data.sykv.cn/facedetect/152.html

VGG Face Dataset 是一个人脸图像数据，包括 2622个 人的人脸图像URL和对应人脸检测位置。
数据集包含2,622个身份。每个身份都有一个关联的文本文件，其中包含图像的URL和相应的面部检测。在下载数据之前，请仔细阅读许可文件。使用此数据进行预训练的模型可以在VGG Face Descriptor网页上找到。请检查该页面上的MatConvNet软件包版本，以获取有关面部检测和裁剪的更多详细信息。

The Celebrity in Places 各场景名人数据集

数据集下载地址：https://data.sykv.cn/facedetect/151.html
该数据集包含大约36,000个不同类型场景中的名人图像。 包含4611位名人和16个场景。 图像是使用Google图像搜索获得的，并通过人工进行标注和检查。

Public Figures Face 数据集

数据集下载地址：https://data.sykv.cn/facedetect/75.html

EPA车辆数据集（〜1980-2021）数据集包含有关EPA跟踪的内容的相关信息，燃油经济性数据是在密歇根州安阿伯市环境保护局国家车辆和燃油排放实验室进行的车辆测试的结果，也是由汽车制造商在EPA的监督下进行的。

室外人脸标注面部数据集（LFPW）

数据集下载地址：https://data.sykv.cn/facedetect/74.html

LFPW的第1版包含来自网络下载图像的1,432张面孔，使用google.com，flickr.com和yahoo.com等网站上的简单文本查询。   每个图像由三名MTurk工作人员标记，下面显示的29个基准点包含在数据集中。  LFPW最初在以下出版物中描述： 面部基准点,人脸标注,面部数据集

 

CelebA 名人人脸图像数据

数据集下载地址：https://data.sykv.cn/facedetect/71.html

CelebFaces属性数据集（CelebA）是一个大型人脸属性数据集，拥有超过200K的名人图像，每个图像都有40个属性注释。此数据集中的图像覆盖了大的姿势变化和背景杂乱。

 

Faces in the Wild 人脸图像数据

数据集下载地址：https://data.sykv.cn/facedetect/70.html

Faces in the Wild是一个人脸数据集，从新闻照片中采集，包括30281张 人脸图像及标注信息，标注信息通过 Who's in the Picture 系统自动产生，约有80%的标注正确率。

数据集“ Faces in the Wild ”由新闻摄影中收集的30,281张面孔组成。这些面部已使用以下所述系统自动标记： 图片中的人物。标签大约80％准确。faceData.tar.gz文件中包含一个matlab文件，FacesInTheWild.mat，以及年/月/日/ imgname.ppm存储的面部图像。FacesInTheWild.mat包含两个变量metaData（metaData {i}给出face i的文件名和它的标签id），lexicon（lexicon {i}给出标签i的实际名称）。

 

FERET人脸数据库

数据集下载地址：https://data.sykv.cn/facedetect/67.html

由美国国防部（DoD）赞助了人脸识别技术（FERET）计划。FERET计划的目标是开发自动面部识别功能，可用于协助安全，情报和执法人员履行职责。该计划包括三个主要元素

日本女性面部表情（JAFFE）数据库

数据集下载地址：https://data.sykv.cn/facedetect/66.html

不同角度上半身人像数据集，包括751张半身人像原始图像数据，用于图像检测,人脸检测,人脸识别等人工智能产品。

AR人脸识别数据集

数据集下载地址：https://data.sykv.cn/facedetect/65.html

数据描述 ：AR人脸库，包含50位男性和50位女性，每人26张共2600张图。2600张人脸图文件名分类为编号为m为男性，w为女性，每类26张人脸图，前50类为男性，后50类为女性。图像尺寸120*165像素。人脸部分表情有变化，如笑与不笑、眼睛睁与不睁、眼镜戴与不戴等，是目前使用最为广泛的标准数据库。

UT-Interaction 人类动作视频数据

数据集下载地址：https://www.sykv.cn/cat/down/security/19918.html

在“高级人类交互识别挑战”中，参赛者需要通过连续视频识别正在进行的人类活动。目的是激励研究人员在现实环境中从连续视频中探索复杂人类活动的识别。每个视频包含顺序和/或同时发生的若干人 - 人交互（例如，手抖动）。参赛者必须正确地注释所有视频的播放时间和地点。一些视频中也有不相关的行人。需要准确检测和定位人类活动，而不是对视频进行强力分类。

 

时间:2023-01-01 01:03  来源:未知    转发量:次