XiaoMi-AI文件搜索系统
World File Search Systemaset
匿名QCA和网络分析（SNA）数据集
LuisBouzaGarcía（UAM），ÁlvaroOleart（Ulb），RocíoSánchezdel Vas（UC3M）和Juan Roch（UNED）1。WP 7的目的是分析民主公开辩论的规范概念如何与不同的政策替代方案和政治策略相关联，通过利用政治理论来概念化有关邮政真实性的法规和公共政策的辩论（与WP2合作）；分析公共政策努力定义在欧洲一级打击虚假信息的最佳方法，并分析欧盟通过的新兴法规（与WP4合作）2的交流专业人士和新闻实践的影响。本文介绍了WP将用来开发这些目标的分析和方法论设计。本文基于两个理由。第一个是通过促进其余学术界对研究团队决定的透明度和可重复性来满足开放科学的期望。第二个是促进学术界利益相关者社区对数据的使用。目的：解释采用欧盟法规，以应对对民主和欧盟融合的确定威胁
随意对话：用于衡量公平性的数据集......
本文介绍了一种新颖的“公平性”数据集，以衡量 AI 模型对不同年龄、性别、表观肤色和环境光照条件的稳健性。我们的数据集由 3,011 名受试者组成，包含 45,000 多个视频，平均每人 15 个视频。这些视频是在美国多个州录制的，参与者是不同年龄、性别和表观肤色组的成年人。一个关键特征是每个受试者都同意参与并使用他们的肖像。此外，我们的年龄和性别注释由受试者自己提供。一组训练有素的注释者使用 Fitzpatrick 皮肤类型量表标记受试者的表观肤色 [ 6 ]。此外，还提供了在低环境光下录制的视频的注释。作为衡量跨某些属性的预测稳健性的应用，我们评估了最先进的表观年龄和性别分类方法。我们的实验从公平对待来自不同背景的人的角度对这些模型进行了彻底的分析。
发现地理卫星：从数据集到Kelvins Spotgeo挑战
地球同步赤道轨道（GEO）是许多重要空间资产的所在地，例如远程通讯和导航卫星。GEO中监视居民空间对象（RSO）是实现空间情境意识（SSA）和保护批判空间资产的关键方面。然而，由于目标的极端距离以及包括云的缘故，大气/天气效应，光污染，传感器噪声/缺陷和恒星闭合，因此基于地面的地理对象进行了挑战。Kelvins Spotgeo挑战旨在确定来自低成本地面望远镜的图像在多大程度上可用于检测GEO和近Geo RSO，仅来自没有任何其他元数据的光度信号。同时，Spotgeo数据集还解决了有关卫星检测问题的计算机视觉观点中缺乏公开可用的数据集；通过组装和释放这样的数据集，我们希望在光学检测RSO上付出更多的努力，并为现有方法和将来的方法提供客观的台式标记。在这项工作中，我们介绍了Spotgeo数据集开发，Challenge设计，评估指标和结果分析的详细信息。
JRDB-Social：一个多方面的机器人数据集，用于理解社会群体内人类互动的上下文和动态
了解人类的社会行为对于综合愿景和机器人技术至关重要。微观的观察（例如，分裂行动）不足，需要采取一种全面的方法来考虑个人行为，组内动态和社会群体层次，以彻底理解。要解决数据集限制，本文引入了JRDB-Social，JRDB的扩展[2]。旨在填补跨室内和室外社会环境的人类理解的空白，JRDB-Social提供了三个层次的注释：个体属性，组内侵入和社会群体环境。该数据集旨在增强我们对机器人应用的人类社会动态的理解。利用最近的尖端多模式大型语言模型，我们评估了我们的基准，以表达其破译社会人类行为的能力。
synfog：基于结束的照片真实合成雾数据集...
为了推进基于学习的融化算法的研究，已经开发了各种合成雾数据集。但是，现有的数据集使用大气散射模型（ASM）或十个实时渲染引擎而努力产生光真实的雾图像，以准确模仿实际的成像过程。这种限制阻碍了模型从合成到真实数据的有效概括。在本文中，我们引入了旨在生成照片现实的雾图图像的端到端模拟管道。该管道全面构建了整个基于物理的雾化场景成像，与现实世界图像捕获的方法紧密相位。基于此管道，我们提出了一个名为Synfog的新合成雾数据集，该数据集具有天空和主动照明条件以及三个级别的雾气状态。实验结果表明，与其他人相比，在与其他模型中相比，与其他人相比，在synfog上训练的模型在视觉感知和检测准确性方面表现出了较高的性能。
egoexolearn：用于桥接异步自我
抽象能够将他人的活动映射到自己的观点中，即使从很小的时候就开始是一种基本的人类技能。迈向理解这种人类能力的一步，我们介绍了EgoExolearn，这是一个大规模的数据集，该数据集在过程之后模仿人类的演示，在该过程中，个人在执行以exentric-exentric-view示范视频为指导的任务时记录了以自我为中心的视频。关注日常援助和专业支持中的潜在应用，Egoexolearn Conconconconconconconconconconcons conconce concection和示范视频数据涵盖了在日常生活场景和专业实验室中捕获的120小时的120小时。与视频一起，我们记录了高质量的凝视数据并提供了详细的多模式注释，并构建了一个游乐场，用于建模人类从不同观点桥接异步程序动作的能力。为此，我们提出了基准，例如跨视图协会，跨视图行动计划和跨视图所引用的技能评估以及详细的分析。我们期望EgoExolearn可以作为跨越观点弥合行动的重要资源，从而为创建能够通过在现实世界中观察人类进行缝隙学习的AI代理铺平了道路。数据集和基准代码可在https：//github.com/opengvlab/egoeexolearn上找到。
多模式和多任务自动驾驶数据集
当前用于自动驾驶计算机视觉的深层神经网络（DNNS）通常在仅涉及单一类型的数据和urban场景的特定数据集上进行培训。因此，这些模型努力使新物体，噪音，夜间条件和各种情况，这对于安全至关重要的应用至关重要。尽管持续不断努力增强计算机视觉DNN的弹性，但进展一直缓慢，部分原因是缺乏具有多种模式的基准。我们介绍了一个名为Infraparis的新颖和多功能数据集，该数据集支持三种模式的多个任务：RGB，DEPTH和INDRARED。我们评估了各种最先进的基线技术，涵盖了语义分割，对象检测和深度估计的任务。更多可视化和
新闻稿：RARE Power 数据集
在 GridLab 的支持下，Catalyst Cooperative 将托管和分发可再生能源数据集。该数据包括按县级发布的每小时太阳能、陆上和海上风电生产情况，汇总了美国本土的 3 公里数据。首次发布包含 2019-2023 年的数据，而 2025 年第一季度的进一步发布将包含 2014-2018 年的数据。该数据集的基础是美国国家海洋和大气管理局的高分辨率快速刷新 (HRRR) 操作数值天气预报模型生成的天气变量。该方法已用于指导现实世界的进程，例如在 2020 年为 Midcontinent Independent System Operator (MISO) 开发数据集。
一个航天器数据集用于检测，分割和零件识别
现代生活的几乎所有方面都取决于太空技术。多亏了计算机视频的一般和深度学习技术的巨大进步，几十年来，全世界都见证了将深度学习的发展用于解决太空问题的问题，例如自动驾驶机器人，诸如示踪剂，类似昆虫的机器人，类似昆虫的机器人和SpaceCraft的健康监测。这些只是一些在深度学习的帮助下具有高级空间行业的重要例子。但是，深度学习模型的成功需要大量的培训数据才能具有不错的性能，而另一方面，用于培训深度学习模型的公开空间数据集非常有限。当前没有用于基于太空的对象检测或实例分割的公共数据集，部分原因是手动注释对象分割掩码非常耗时，因为它们需要像素级标签，更不用说从空间获取图像的挑战了。在本文中，我们的目标是通过释放数据集以进行航天器检测，实例分割和零件识别来填补这一差距。这项工作的主要贡献是使用太空设置和卫星的图像开发数据集，并具有丰富的注释，包括绑定的航天器和口罩的框架盒对物体部分的水平，这些盒子是通过自动程序和手动努力的混合而获得的。我们还提供了对象检测和Intance Sementation的最新方法作为数据集的基准。可以在https://github.com/yurushia1998/satellitedataset上找到下载建议数据集的链接。