论文译文
选了一些值得反复读的经典paper，将其精翻成中文版。笔记在个人博客里边有。
· 生成模型经典
· 生成模型应用
· 目标检测
我们都知道数据集对于神经网络模型来说是非常重要的东西，在这儿分享的主要是关于图像方面的数据集，比如Celeba的人脸图像全套，COCO数据集等，另外还有文本方面的少量数据集，以及我自己爬的一些数据。
CelebA（21.68GB）
内容：人脸图像数据集
有无标签：有
图片大小：128*128
图片格式：jpg
图片数量：202599
说明用意私信获取
CelebA_HD（29.62GB）
内容：高清人脸图像数据集
有无标签：无
图片大小：1024*1024
图片格式：png
图片数量：30000
说明用意私信获取
CelebA_Cropped（706MB）
内容：对齐的人脸图像数据集
有无标签：无
图片大小：128*128
图片格式：jpg
图片数量：202599
说明用意私信获取
CASIA-FaceV5（162MB）
内容：中国人人脸图像数据集
有无标签：无
图片大小：不定，约130*160
图片格式：bmp
图片数量：2500
说明用意私信获取
CASIA-WebFace（4.1GB）
内容：网络采集人脸图像数据集
有无标签：仅按人分类
图片大小：250*250
图片格式：jpg
图片数量：1万人，494414张照片
说明用意私信获取
VGGFace（2.01GB）
内容：人脸识别VGG网络数据集
有无标签：有
图片大小：224*224
图片格式：mat
图片数量：2600人，260万张照片
说明用意私信获取
VGGFace2（36.99GB）
内容：人脸识别VGG网络数据集
有无标签：有
图片大小：不定，约250*250
图片格式：jpg
图片数量：9000人，330万张照片
说明用意私信获取
InsightFace（15.87GB）
内容：2D和3D人脸分析数据集
有无标签：有
图片大小：112*112
图片格式：rec
图片数量：未知
说明用意私信获取
ImageNet2012（154.79GB）
内容：自然图像数据集
有无标签：有
图片大小：不定
图片格式：jpg
图片数量：1000种类，1400万照片
说明用意私信获取
COCO2014（37.57GB）
内容：视觉任务图像数据集
有无标签：有
图片大小：不定
图片格式：jpg
图片数量：20万张(含15年测试集)
说明用意私信获取
COCO2017(45.01GB)
内容：视觉任务图像数据集
有无标签：有
图片大小：不定
图片格式：jpg
图片数量：29万张(含12万无标签)
说明用意私信获取
Pascal VOC2007（869MB）
内容：分类任务图像数据集
有无标签：有
图片大小：不定
图片格式：jpg
图片数量：20种类，共9963张图
说明用意私信获取
Pascal VOC2012（3.59GB）
内容：视觉任务图像数据集
有无标签：有
图片大小：不定
图片格式：jpg
图片数量：20种类，共11530张图
说明用意私信获取
CIFAR-10（499.71MB）
内容：分类任务小型图像数据集
有无标签：有
图片大小：32*32
图片格式：mat
图片数量：10种类，共60000张图
说明用意私信获取
SUN397（36.40GB）
内容：场景识别任务图像数据集
有无标签：有
图片大小：不定
图片格式：jpg
图片数量：397场景，108756张图
说明用意私信获取
SUN2012（7.23GB）
内容：场景视觉任务图像数据集
有无标签：有
图片大小：不定
图片格式：jpg
图片数量：16873
说明用意私信获取
GOPRO（8.89GB）
内容：运动模糊-清晰图像数据集
有无标签：有
图片大小：1280×720
图片格式：png
图片数量：9665
说明用意私信获取
GOPRO_All（35.3GB）
内容：运动视频帧图像数据集
有无标签：无
图片大小：1280×720
图片格式：png
图片数量：34874
说明用意私信获取
FFHQ（89.4GB）
内容：高清人脸图像数据集
有无标签：无
图片大小：1024×1024
图片格式：png
图片数量：70000
说明用意私信获取
在这儿分享一些比较好的paper开源模型，还有部分我自己调的模型及代码。目前做过的项目有基于GANs的模糊还原，基于Partial Convolution的遮挡消除，以及基于YOLO V3的目标检测等。另外还有研一上课学到的一些东西，比如文本分词，文本分类等。
maecenas feugiat ex purus, quis volutpat lacus placerat
Cras aliquet urna ut sapien tincidunt, quis malesuada elit facilisis. Vestibulum sit amet tortor velit. Nam elementum nibh a libero pharetra elementum. Maecenas feugiat ex purus, quis volutpat lacus placerat malesuada. Praesent in sem ex. Morbi mattis sapien pretium tellus venenatis, at egestas urna ornare.
mattis sapien pretium tellus venenatis
Cras aliquet urna ut sapien tincidunt, quis malesuada elit facilisis. Vestibulum sit amet tortor velit. Nam elementum nibh a libero pharetra elementum. Maecenas feugiat ex purus, quis volutpat lacus placerat malesuada. Praesent in sem ex. Morbi mattis sapien pretium tellus venenatis, at egestas urna ornare.
我平时比较喜欢写学习笔记，然后也有整理一些我觉得比较好的教材OR文章，就都放在这一章分享吧。
剩下的不那么重要的资源就放在这儿了，基本上是一些和学习无关的东西。。
· 北邮网址备忘
