11、大规模的人脸属性数据集 CelebA
CelebFaces Attributes Dataset (CelebA) 是一个大规模的人脸属性数据集，由香港中文大学开放提供。它包含超过 20 万张名人图像，每张图像有 40 个属性标记。该数据集中的图像涵盖了较大的姿势变化和背景杂乱。CelebA 种类多、数量多、注释丰富，包括 10,177 个身份，202,599 张人脸图像，以及 5 个人脸特征点坐标，每张图像 40 个属性标记。
该数据集可用作以下计算机视觉任务的训练和测试集：人脸属性识别、人脸识别、人脸检测、地标（或人脸部分）定位以及人脸编辑与合成。
12、行为识别数据集 UCF101
UCF101 数据集是 UCF50 的扩展，由 13,320 个视频片段组成，分为 101 个类别。这 101 个类别可分为 5 种类型（身体运动、人与人互动、人与物体互动、演奏乐器和运动）。这些视频剪辑的总长度超过 27 小时。所有视频均从 YouTube 收集，具有 25 FPS 的固定帧速率，分辨率为 320 × 240。
- 论文地址：https://arxiv.org/pdf/1212.0402v1.pdf
- 天池地址：https://tianchi.aliyun.com/dataset/dataDetail?dataId=92158
13、城市街景语义理解的大型数据库 Cityscapes
Cityscapes 是一个专注于城市街景语义理解的大型数据库，由戴姆勒研究所，马克斯•普朗克信息学研究所和达姆施塔特科技大学可视化推理工作组提供。该数据集由大约 5000 个精细标注的图像和 20000 个粗糙标注的图像组成。它为分为 8 个类别（平面、人类、车辆、建筑、物体、自然、天空和虚空）的 30 个类别提供语义、实例和密集像素注释。该数据集具备多样性，历经数月（春、夏、秋）在白天和良好的天气条件下获得，并由手动选择帧，且具有以下特征：大量动态对象、变化的场景布局和变化的背景。
Cityscapes 数据集适用于
- 评估视觉算法在语义城市场景理解的主要任务中的性能：像素级、实例级和全景语义标记；
- 支持旨在利用大量（弱）注释数据的研究，例如用于训练深度神经网络。
- 官方地址：https://www.cityscapes-dataset.com
- 论文地址：https://arxiv.org/pdf/1604.01685v2.pdf
- 天池地址：https://tianchi.aliyun.com/dataset/dataDetail?dataId=92279
14、IBM 研究院、Meta AI 等多家机构发布新基准 SCROLLS
目前，NLP 的基准主要集中在短文本上，如句子和段落。来自 IBM 研究院、Meta AI 等多家机构发布新基准 SCROLLS (Standardized CompaRison Over Long Language Sequences)。
该条进展工作通过研究了现有的长文本数据集，并精心挑选了那些文本较长的数据集，同时优先考虑那些涉及综合输入信息的任务。SCROLLS 包含总结、问题回答和自然语言推理任务，涵盖多个领域，包括文学、科学、商业和娱乐。SCROLLS 以统一的文本到文本格式提供所有的数据集，并主持一个实时排行榜，以促进对模型架构和预训练方法的研究。
15、CLUE 团队发布应用在 NLP 领域的数据为中心的基准 DataCLUE
以数据为中心（Data-centric）的AI，是一种新型的AI探索方向。它的核心问题是如何通过系统化的改造你的数据（无论是输入或者标签）来提高最终效果。
DataCLUE 是一个以数据为中心的 AI 测评。它基于 CLUE benchmark，结合 Data-centric 的 AI 的典型特征，进一步将 Data-centric 的 AI 应用于 NLP 领域，融入文本领域的特定并创造性丰富和发展了 Data-centric 的 AI。在原始数据集外，它通过提供额外的高价值的数据和数据和模型分析报告（增值服务）的形式， 使得融入人类的 AI 迭代过程（Human-in-the-loop AI pipeline) 变得更加高效，并能较大幅度提升最终效果。
在机器之心 SOTA！模型联合阿里云天池推出的「虎卷 er 行动 · 春卷er」中，我们基于「 AI人必追」的本季度举办的国际顶会及机器之心报道中的社区热议工作，「炼丹者必备」的基准数据集、AI顶会挑战赛优胜算法及开发基础知识，共同设计了由60道选择题构成的「虎卷er · 春榜试题」，并编撰了 3 套独家配套技术复习资料，帮助关注前沿AI技术发展的开发者梳理第一季度的重要 AI 技术工作的同时帮助注重实践技能的开发者快速温故知新，巩固知识与技能。
「虎卷er · 春榜试题」具体分布如下 ——
- 「本季必追国际影响力AI工作」：共 18 题
- 「AI开发常用的Benchmark数据集」：共 15 题
- 「今年刷爆顶会Leaderboard的算法」：共 7 题
- 「AI Foundation专业知识与开发实践基础」：共 20 题
活动期间，关注「机器之心 SOTA模型」服务号，即可通过底部菜单栏进入活动。
跟随入口引导，使用阿里云账号登录后即可进入活动界面开始答题。
「春卷er」10道「AI Foundation专业知识与开发实践基础」新题已解锁！
| 1 | 在 CNN 网络中，某图经过核为 3x3，步长为 2 的卷积层，ReLU 激活函数层，BN 层，以及一个步长为 2，核为 2*2 的池化层后，再经过一个 3*3 的的卷积层，步长为 1，此时的感受野是？ | |||
| 13 | 12 |
11 | 10 | |
| 2 | 以下是非马尔科夫过程的是？ | |||
| 独立增量过程 | 泊松过程 | 维纳过程 | 自回归过程 | |
| 3 | 以下对 k-means 聚类算法解释正确的是？ | |||
| 能自动识别类的个数，随机挑选初始点为中心点计算 | 能自动识别类的个数，不是随机挑选初始点为中心点计算 | 不能自动识别类的个数，随机挑选初始点为中心点计算 | 不能自动识别类的个数，不是随机挑选初始点为中心点计算 | |
| 4 | 某个二分类模型，在训练数据上表现很好，但是在验证数据上表现不佳，通常称这种问题为？ | |||
| 欠拟合 | 过拟合 | 样本不均衡 | 样本缺失 | |
| 5 | 下列哪一个不是常用于回归建模问题的损失函数？ | |||
| 均方误差（MSE Loss） | 交叉熵（Cross Entropy Loss） | 均绝对误差（MAE Loss） | Huber Loss | |
| 6 | 下列哪一个不是LSTM（Long Short-Term Memory）的门控单元？ | |||
| 输出门 | 更新门 | 输入门 | 遗忘门 | |
| 7 | 在卷积神经网络（CNN）中，使用 5*5 的卷积核对 500*500 的图片求卷积，那么在输入层和卷积层之间一共有多少个参数需要训练？ | |||
| 10000 | 25 | 26 | 250000 | |
| 8 | 在机器学习的分类模型中，评估模型预测效果的指标有准确率（Accuracy）、召回率（Recall）、精确率（Precision）、F1指标（F1 measure），下列属于Recall 指标的表达式为？ | |||
| 正确的正例样本数/样本中的正例样本数 | 提取出的正确样本数/总样本数 | 正确的正例样本数/预测为正例的样本数 | Precision*Recall*2 / (Precision+Recall) | |
| 9 | 进行机器学习的时候，通常需要对数据进行降维处理，关于降维，以下说法错误的是？ | |||
| 降维可以节省存储空间 | 一般先使用非线性降维的方法，再使用线性降维的方法 | 降维可以去除冗余特征 | 降维从一定程度上可以防止模型过拟合 | |
| 10 | 对于一个深度学习分类任务，如果权重初始化时所有变量都设置为 0，下面哪一个描述是正确的？ | |||
| 没有问题，深度学习拟合能力很强，可以正常训练得到结果 | 深度学习不会开始训练，因为没有梯度变化 | 深度学习可以训练，但所有的类别都会被识别为一类 | 以上说法都不对 | |
