THUOCL

长时依赖词库。包含1亿个词汇的英文词库数据，这些词汇是从Wikipedia的优质文章和标杆文章中提取得到的。每个词汇还同时保留产生该词汇的原始文章，这尤其适合当需要长时依赖(longterm dependency)自然语言建模的场景。

大规模中文自然语言处理语料

最全诗词集合，唐宋两朝近一万四千古诗人, 接近5.5万首唐诗加26万宋诗. 两宋时期1564位词人，21050首词。

伪造检测。真实感合成技术的快速发展已经达到了一个临界点，真实图像和操纵图像之间的边界开始模糊。因此，基准测试和推进数字伪造分析已成为一个紧迫的问题。然而，现有的人脸伪造数据集要么多样性有限，要么只支持粗粒度分析。为了应对这种新出现的威胁，我们构建了 ForgeryNet 数据集，这是一个非常大的人脸伪造数据集，在图像和视频级数据中具有统一的注释，跨越四个任务：1）图像伪造分类，包括双向（真/假）、三个-way（真/假，带有身份替换的伪造方法/带有身份保留的伪造方法的假）和 n-way（真实和 15 种各自的伪造方法）分类。 2）空间伪造定位，将伪造图像的操纵区域与其相应的源真实图像进行分割。 3）视频伪造分类，它重新定义了视频级别的伪造分类，其中操纵帧位于随机位置。这项任务很重要，因为现实世界中的攻击者可以自由地操纵任何目标帧。 4) Temporal Forgery Localization，对被操作的时间段进行定位。 ForgeryNet 在数据规模（290 万张图像，221,247 个视频）、操作（7 个图像级方法、8 个视频级方法）、扰动（36 个独立和更多混合扰动）方面是迄今为止最大的公开可用的深度人脸伪造数据集) 和注释（630 万个分类标签、290 万个操作区域注释和 221,247 个临时伪造片段标签）。我们对现有的人脸取证方法进行了广泛的基准测试和研究，并获得了一些有价值的观察结果。

车道数据集。OpenLane 是迄今为止第一个真实世界和规模最大的 3D 车道数据集。我们的数据集从公共感知数据集 Waymo Open Dataset 中收集有价值的内容，并为 1000 个路段提供车道和最近路径对象（CIPO）注释。简而言之，OpenLane 拥有 200K 帧和超过 880K 仔细注释的车道。我们公开发布了 OpenLane 数据集，以帮助研究界在 3D 感知和自动驾驶技术方面取得进步。

图像理解。为了使计算机理解图像，数据集中的图片被划分成一个个区域，每个区域都有与其对应的一句自然语言描述。共108,077张图。