通过联合国际协作努力，我们建立了一个大型、多样化且标记完整的数据集，全球小麦头部检测（GWHD）数据集。该数据集包含 4,700 张高分辨率 RGB 图像和 190,000 个标记的小麦头部，旨在开发和基准化小麦头部检测的方法，并通过提供图像采集指南、关联最小元数据以遵守公平原则和一致标注方法来帮助开发新的头部检测数据集。

Apr, 2020

本文介绍了一种基于深度学习的新型框架 WheatNet，能够快速高效地计算麦田中小麦穗的数量和位置，并在植物育种决策过程中提供实时数据收集的帮助，解决手动记录植物观测数据带来的劳动密集性问题。

Mar, 2021

这篇文章提出了用于精准农业领域的作物 - 杂草识别新数据集 CWD30，并基于该数据集进行了精细识别和深度学习实验。实验显示，该数据集有助于提高模型性能和减少训练资源浪费，是作物 - 杂草识别算法的基准。

May, 2023

DAD-3DHeads 数据集提供了 3.5k 个准确地表示 3D 头部形状的标记点，DAD-3DNet 以数据驱动方式训练，学习了形状，表情和姿态参数，可用于在野外进行 3D 面部对齐及姿态等任务的精确实现，在 3D Head Pose Estimation、3D Face Shape Reconstruction 以及 3D Dense Head Alignment 任务中均表现优异，丰富的数据种类可用作该领域性能的比较。

Apr, 2022

本研究将谷物外观检查 (Grain Appearance Inspection，GAI) 定义为细粒度识别、域自适应和识别方法的三个计算机视觉任务，开发出大规模公开的谷物数据集 GrainSpace，有助于检测谷物质量。

Mar, 2022

本研究创建了一份包含超过 1700 个成对高分辨率遥感卫星图像的 WHU-Stereo 数据集，以促进深度学习网络的立体匹配训练和测试，并探究其在遥感应用中的潜力。实验证明，该数据集的性能可与现有的立体匹配数据集可比，并且深度学习模型的性能要比手工设计的 SGM 算法更高。

Jun, 2022

我们提出了一个名为 GrainSet 的基于机器视觉的数据库，用于谷物颗粒的视觉质量检测，其中包含超过 350K 个带有专家注释的单颗粒图像。我们还采用了常用的深度学习模型作为基准提供分类结果，相信我们的 GrainSet 将促进谷物质量检测的辅助、谷物存储和贸易的指导以及智能农业应用的发展。

Nov, 2023

本文介绍了一个新的数据集 CrowdHuman，用于更好地评估人群场景中的探测器，该数据集包含各种各样的遮挡问题，通过对比先前的数据集，展示了在 Cross-dataset generalization 方面的表现。

Apr, 2018

本文提出了一种名为 GlobalMind 的改变检测网络，它采用了全球多头交互自注意力机制，结合全局轴向分割和全局时变交互多头注意力模块，用于超光谱图像，有效提高了跨时空变化检测精度和效率。

Apr, 2023

通过收集 GW 数据集（该数据集包括眼部运动、头部角速度、眼睛和场景图像），训练和评估了两种机器学习算法（随机森林和递归神经网络模型），用于眼睛运动分类（如注视、眼球、追踪）。分类器实现了近似于人类检测注视和眼球运动的 90％的性能，但在检测追踪运动时则低于 60％，并且追踪分类在没有头部运动信息的情况下更低。最佳模型对特征的显着性分析显示，分类不需要头部和眼睛跟踪坐标系的空间对齐。

May, 2019