介绍了 Few-Shot Object Learning (FewSOL) 数据集，用于针对每个物体进行少量图像识别，研究结果表明目前机器人环境下还有一定提升空间，适用于研究分类、检测、分割、形状重构、姿态估计、关键点对应和属性识别等少量图像识别问题。

Jul, 2022

针对具有挑战性的开放式及有害条件下，机器人视觉应用需要具备适应性的系统，使其具备终身学习的能力，该篇研究提出了一个新的生涯机器人视觉数据集（OpenLORIS-Object），囊括了最近领先的 lifelong learning 算法，并提供了新的基准评估模型的效果和性能。

Nov, 2019

本文提供了在计算机视觉和地球观测社区中基于深度学习的对象检测的综合研究进展，并提出了一个公开的大规模测量数据，即 DIOR 数据集，其可帮助研究人员开发和验证数据驱动的方法。

Aug, 2019

该论文使用真实影像，聚焦日常室内环境下机器人视觉任务的模拟，构建新的公共数据集。该数据集可用于机器人视觉任务中的物体检测、主动视觉模拟和基于深度学习的强化学习下的下一步动作预测。在使用数据集的过程中，作者发现现有物体检测研究最大的问题是机器人视角对物体尺度，遮挡和方向的影响。

Feb, 2017

我们引入了 Stanford-ORB，一个新的真实世界的 3D 物体逆向渲染基准。我们通过提供一个新的真实世界的数据集，并使用该数据集建立了首个全面的真实世界评估基准，评估对象逆向渲染任务在野外场景的性能，并比较了各种现有方法的表现。

Oct, 2023

介绍了一个来自摄影师的 few-shot localization 数据集，包括近万个分类为 100 个类别的图像分割，在人们拍摄的 4500 张图像中，我们的数据集是第一个定位物体的孔隙、显示对象的尺寸范围很大，并且我们的对象中文字出现的比例是其他数据集的 5 倍以上，但是算法难以定位到具有孔隙、非常小和非常大的对象以及没有文字的对象。

Jul, 2022

该研究提出了一个基于虚拟世界的视觉感知基准测试套件，通过对超过 250,000 个高分辨率视频帧的低层次和高层次的视觉任务进行全面地注释，并针对多个任务分析了最先进方法的表现，提供参考基线和突出未来研究的挑战。

Sep, 2017

本文介绍了一种包含近千个三维对象模型及超过 84 万个现实世界的 RGB 和深度图像数据集，旨在填补现有研究中缺乏的三维多视图重建的真实数据基准。该数据集通过半自动方式实现相机位置与物体姿态的精准标注，为形状重建、物体姿态估计、形状检索等 3D 应用提供了可能。数据集已开放，包含注释工具和评估基准源代码。

Mar, 2022

介绍了 Objectron 数据集，旨在推进 3D 物体检测等新兴研究领域的发展，数据集中有九个类别的注释短视频，包含了 1400 万个注释图像和 14819 个注释视频。同时，提出了一种新的评估指标，3D Intersection over Union，证明了数据集在推进 3D 物体检测任务方面的有用性。提供了在该数据集上训练的基准模型。

Dec, 2020

ORBIT 是一个统一的、模块化的机器人学习框架，由 NVIDIA Isaac Sim 提供支持。它采用模块化设计，可以轻松、高效地创建具有照片级真实场景和快速、精确刚性和可变形体模拟的机器人环境。它还提供了各种难度的基准任务，可以支持各种研究领域，包括表示学习、强化学习、模仿学习和任务规划等。

Jan, 2023