中文词库分词。是由清华大学自然语言处理与社会人文计算实验室整理推出的一套高质量的中文词库,词表来自主流网站的社会标签、搜索热词、输入法词库等。THUOCL具有以下特点: 包含……
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。