| データセット名 | データ種類 | データサイズ | 特徴 |
| 1,000枚多様なシーン画像キャプションデータ | 画像 | 1,000枚 | 多様なシーンの画像キャプションデータセット。シーンの分布には、自然の風景、都市の通り、展示会、家庭環境などが含まれます。各画像には、3〜5文の英語の説明が含まれています。 |
| 1,000枚自然シーンのOCRキャプションデータ | 画像 | 1,000枚 | 14言語のOCRキャプションデータセット。画像の被写体には、バス停、ポスター、道路標識などが含まれます。各画像には、3〜5文の英語の説明が含まれています。 |
| 1,000枚画像キャプションデータ | 画像 | 1,000枚 | さまざまな頭の姿勢、顔の表情などの人間の顔画像キャプションデータセット。各画像には、3〜5文の英語の説明が含まれています。 |
| 1,000枚ジェスチャーの画像キャプションデータ | 画像 | 1,000枚 | さまざまな角度とジェスチャーをカバーするジェスチャー画像キャプションデータセット。各画像には、3〜5文の英語の説明が含まれています。 |
| 1,000枚肌質検出画像データ | 画像 | 1,000枚 | にきび、にきび跡、ダークスポット、しわ、くまなどの顔の皮膚の欠陥データセット。 |
| 1,000本人間の動きの動画キャプションデータ | 動画 | 1,000本 | CCTVおよび非CCTV視点のヒューマンモーションビデオキャプションデータセット。人間の動きには、歩く、飲む、あくびをする、フィットネスなどが含まれます。各ビデオには英語のキャプションが含まれています。 |
| 1,000人多人種表現認識データ | 画像 | 1,000名 | ノーマル、幸せ、驚き、悲しみ、怒り、嫌悪、怖いなど、7 つの表情データセット。 |
| 1,000本多人種微表情(FACS)データ | 動画 | 1,000本 | インナーブロウレイザー(AU1)、アウターブロウレイザー(AU2)、上まぶたレイザー(AU5)などを含む57の顔表情データセット。 |
| 50人運転行動動画データ | 動画 | 50名 | 危険な行動、疲労行動、視覚運動行動の運転行動データセット。データセットの多様性には、さまざまな対象年齢、期間、車両の種類、カメラ位置が含まれます。 |
| 50人2D顔なりすまし防止データ | 画像・動画 | 50名 | 2D 顔のなりすまし防止データセット。リアルフェイスデータには、フェイシャルアクションビデオ、フェイシャル画像、リップランゲージビデオが含まれます。なりすまし対策データには、偽の顔のアクション動画、偽の唇の動作の動画、偽の顔画像が含まれます。 |
| 1,000枚ジェスチャー認識画像データ | 画像 | 1,000枚 | 18種類ジェスチャー認識データセット。ジェスチャーのカテゴリには、番号1、OK、LOVEなどが含まれます。21のランドマークと複数のジェスチャーがアノテーションされました。 |
| 3,000枚自然シーンOCR画像データ | 画像 | 3,000枚 | アジア言語(日本語、韓国語など)とヨーロッパ言語(フランス語、ドイツ語など)の自然情景OCRデータセット。テキストの行レベルの四辺形バウンディングボックスのアノテーションと文字起こしが付いています。 |
| 500枚手書きOCR画像データ | 画像 | 500枚 | 英語と日本語の手書きOCRデータ。テキストの行レベルの四辺形バウンディングボックスのアノテーションと文字起こしが付いています。 |
| 50人3D顔のなりすまし防止データ | 画像 | 50名 | 3D顔のなりすまし防止データセット。リアルフェイスデータには、顔画像が含まれます。なりすまし対策データには、偽の顔画像が含まれます。各画像は、深度画像、深度値ファイル、およびカメラパラメーターファイルに対応します。 |
| 1,000人多人種多姿勢顔画像データ | 画像 | 1,000名 | 多人種顔認識データセット。各被収集者には、14の屋内マルチポーズ画像、14の屋外マルチポーズ画像、1 つのID 画像を含む 29 の顔画像があります。人種、性別、年齢、顔のポーズのラベルが含まれます。 |
| データセット名 | 収録デバイス | データサイズ | 仕様 |
| 2時間-4カ国英語音声合成コーパス | マイクロフォン | 2時間、4人 | 話者：アメリカ、イギリス、オーストラリア、ニュージーランドから4名
フォーマット： 48,000Hz、24bit、非圧縮wav、モノラルチャンネル
録音環境：プロ用レコーディングスタジオ |
| 20時間-フランス フランス語携帯電話による読み上げ・会話音声データ | 携帯電話 | 20時間 | フォーマット：16kHz、16bit、非圧縮wav、モノラルチャンネル
録音環境：背景雑音が少なく（屋内）、エコーなし
録音内容 : 朗読、会話
録音デバイス：アンドロイドスマートフォン、iPhone
国 : ポルトガル
言語 : ポルトガル語
アノテーション : 文字起こし
精度： 単語誤り率（WAR）は97％以上 |
| 20時間-携帯電話によるドイツ語読み上げ・会話音声データ | 携帯電話 | 20時間 | フォーマット：16kHz、16bit、非圧縮wav、モノラルチャンネル
録音環境：背景雑音が少なく（屋内）、エコーなし
録音内容：朗読、会話
録音デバイス：アンドロイドスマートフォン、iPhone
国 : ドイツ
言語 : ドイツ語
アノテーション : 文字起こし
精度： 単語誤り率（WAR）は97％以上 |
| 20時間-携帯電話によるイタリア語読み上げ・会話音声データ | 携帯電話 | 20時間 | フォーマット：16kHz、16bit、非圧縮wav、モノラルチャンネル
録音環境：背景雑音が少なく（屋内）、エコーなし
録音内容：朗読、会話
録音デバイス：アンドロイドスマートフォン、iPhone
国 : イタリア
言語 : イタリア語
アノテーション : 文字起こし
精度： 単語誤り率（WAR）は97％以上 |
| 20時間-携帯電話によるスペイン語読み上げ・会話音声データ | 携帯電話 | 20時間 | フォーマット：16kHz、16bit、非圧縮wav、モノラルチャンネル
録音環境：背景雑音が少なく（屋内）、エコーなし
録音内容：朗読、会話
録音デバイス：アンドロイドスマートフォン、iPhone
国 : スペイン
言語 : スペイン語
アノテーション : 文字起こし
精度： 単語誤り率（WAR）は97％以上 |
| 20時間-携帯電話による欧州ポルトガル語読み上げ・会話音声データ | 携帯電話 | 20時間 | フォーマット：16kHz、16bit、非圧縮wav、モノラルチャンネル
録音環境：背景雑音が少なく（屋内）、エコーなし
録音内容：朗読、会話
録音デバイス：アンドロイドスマートフォン、iPhone
国 : ポルトガル
言語 : ポルトガル語
アノテーション : 文字起こし
精度： 単語誤り率（WAR）は97％以上 |
| 20時間-携帯電話による日本語読み上げ・会話音声データ | 携帯電話 | 20時間 | フォーマット：16kHz、16bit、非圧縮wav、モノラルチャンネル
録音環境：背景雑音が少なく（屋内）、エコーなし
録音内容：朗読、会話
録音デバイス ：Androidスマートフォン、iPhone
国 : 日本
言語 : 日本語
アノテーション : 文字起こし
精度： 単語誤り率（WAR）は97％以上 |
| 20時間-携帯電話による韓国語読み上げ・会話音声データ | 携帯電話 | 20時間 | フォーマット：16kHz、16bit、非圧縮wav、モノラルチャンネル
録音環境：背景雑音が少なく（屋内）、エコーなし
録音内容：朗読、会話
録音デバイス：アンドロイドスマートフォン、iPhone
国 : 韓国
言語 : 韓国語
アノテーション : 文字起こし
精度： 単語誤り率（WAR）は97％以上 |
| 10時間 - 電話によるパシュトゥー語会話データ | 携帯電話 | 10時間 | フォーマット：8kHz、8bit、a-law/u-law pcm、モノラル・チャンネル
内容カテゴリー : 与えられたトピックに基づく
対話録音環境：背景雑音が少なく（屋内）
録音デバイス： 電話
国 : アフガニスタン（AFG）
言語（地域）コード : ps-AF
言語 : パシュトゥー語
話者 : 合計224人、男性92%、女性8%
アノテーション : 文字起こし、タイムスタンプ、話者ID、性別
精度 :単語誤り率（WAR）は95%以上 |
| Interspeech_ アクセント英語音声認識コンテストデータ | 携帯電話 | 200時間、528人 | オーディオ・フォーマット：16kHz、16bit、モノラルwav
音声内容：日常的なコミュニケーションを中心に、人間とコンピュータの対話シーンなど
録音環境：比較的静かな室内、携帯電話による録音
収録時間：各アクセント約20時間、計8アクセント
言語：ロシア語、韓国語、アメリカ語、ポルトガル語、日本語、インド語、イギリス語
話者：各言語40～110人 |
コンピュータビジョン
音声認識
