CURE-TSR

displayName: CURE-TSR (CURE Traffic Sign Recognition) license: - MIT paperUrl: https://arxiv.org/pdf/1712.02463v2.pdf publishDate: "2017" publishUrl: https://github.com/olivesgatech/CURE-TSR publisher: - Georgia Institute of Technology tags: - Traffic Sign taskTypes: - Image Quality Assessment - Traffic Sign Recognition - Traffic Sign Detection --- # 数据集介绍 ## 简介 该项目的总体目标是分析数据驱动算法在各种具有挑战性的条件下的鲁棒性，在这些条件下训练的模型可能会被分解。为了实现这一目标，我们引入了一个大型（>2M 图像）识别数据集（CURE-TSR），它是具有受控合成挑战条件的最全面的数据集之一。 ## 引文 ``` @article{temel2017cure, title={CURE-TSR: Challenging unreal and real environments for traffic sign recognition}, author={Temel, Dogancan and Kwon, Gukyeong and Prabhushankar, Mohit and AlRegib, Ghassan}, journal={arXiv preprint arXiv:1712.02463}, year={2017} } ``` ## Download dataset :modelscope-code[]{type="git"}displayName: CURE-TSR（CURE交通标志识别，CURE Traffic Sign Recognition） license: - MIT许可证 paperUrl: https://arxiv.org/pdf/1712.02463v2.pdf publishDate: "2017" publishUrl: https://github.com/olivesgatech/CURE-TSR publisher: - 佐治亚理工学院（Georgia Institute of Technology） tags: - 交通标志（Traffic Sign） taskTypes: - 图像质量评估（Image Quality Assessment） - 交通标志识别（Traffic Sign Recognition） - 交通标志检测（Traffic Sign Detection） --- # 数据集介绍 ## 简介 本项目的核心目标是分析数据驱动算法在各类挑战性场景下的鲁棒性——此类场景中，经训练得到的模型极易出现性能退化乃至失效。为达成该目标，我们构建了规模超200万张图像的大型识别数据集CURE-TSR，该数据集是目前涵盖受控合成挑战条件的最全面的数据集之一。 ## 引用 @article{temel2017cure, title={CURE-TSR: Challenging unreal and real environments for traffic sign recognition}, author={Temel, Dogancan and Kwon, Gukyeong and Prabhushankar, Mohit and AlRegib, Ghassan}, journal={arXiv preprint arXiv:1712.02463}, year={2017} } ## 数据集下载 :modelscope-code[]{type="git"}

搜集汇总

背景与挑战

背景概述

CURE-TSR是一个大规模交通标志识别数据集，包含超过200万张图像，专门用于在受控合成挑战条件下评估数据驱动算法的鲁棒性。该数据集发布于2017年，数据量约为4.54GB，采用MIT许可证。