Image-audio pairs (1 of 3)

kaggle2024-06-17 更新2024-06-22 收录

跨模态学习

多媒体分析

数据链接：

https://www.kaggle.com/datasets/jorvan/image-audio-pairs-1-of-3 数据链接链接失效反馈

官方服务：

资源简介：

(Pairs of related 512x512 images & 1 s audios)

成对的相关512x512图像与1秒音频

创建时间：

2024-06-17

moondream-data

跨模态学习

地理空间标注

该数据集包含图像和文本指令数据，主要面向空间标注任务。数据结构包含以下字段：图像数据（image）、操作指令文本（instruction）、二维坐标点（point，含x/y坐标）、边界框坐标（bbox，含x/y最小最大值）、元素类型（element_type）、元素标签（element_label）、来源网站名称（site_name）、原始URL（url）以及视口信息（viewport）。数据集分

Hugging Face2026-03-11 更新280

kashif-001

语音识别

多媒体分析

该数据集是一个包含多媒体内容的数据集，主要特征包括音频文件（采样率为16000Hz）和相关的文本信息。数据集中的每条记录包含音频ID、音频内容、文本描述、来源URL、视频ID、标题、时间片段起始和结束点、语言、字幕类型、覆盖率标记、是否重复下载标记、关键词列表、查询内容、关键词和查询的原始输出，以及标记这些输出是否为有效JSON格式的布尔值。数据集适用于语音识别、音频标注、多媒体内容分析等任务。数

Hugging Face2026-03-24 更新140

Learning Words from Images and Speech

跨模态学习

词汇语义表示

This paper explores the possibility to learn a semantically-relevant lexicon from images and speech only. For this, we train a multi-modal neural network working both on image fragments and on speech

Figshare2016-01-19 更新80

MDED-68

多域事件检测

多媒体分析

这是一个用于多域事件检测任务的数据集，即MDED-68数据集。该数据集包含23,874张Flickr图像，10,678篇来自数百个在线新闻媒体的新闻文章，以及1,337个YouTube视频。

github2021-08-19 更新190

VGG-Sound

音视频对应

多媒体分析

Audio-Visual Correspondent Dataset

kaggle2021-01-10 更新140