데이터셋 상세
미국
Classifying Things That Go Bang in the Night
The automated, real-time classification of variable and transient events in terms of their astrophysical nature is quickly becoming a necessity for the new synoptic sky surveys. This generally has to be done using sparse and heterogeneous measurements for individual events, both from the survey pipelines and existing archives. The data we used in our tests are both from archival observations, as well as from our own follow-up of recent transients from the PQ and CRTS surveys. See file for more information.
데이터 정보
연관 데이터
ACT Massive and Distant Clusters of WISE Survey (MaDCoWS) Candidates Catalog
공공데이터포털
Galaxy clusters are an important tool for cosmology, and their detection and characterization are key goals for current and future surveys. Using data from the Wide-field Infrared Survey Explorer (WISE), the Massive and Distant Clusters of WISE Survey (MaDCoWS) located 2839 significant galaxy overdensities at redshifts 0.7 <= z <= 1.5, which included extensive follow-up imaging from the Spitzer Space Telescope to determine cluster richnesses. Concurrently, the Atacama Cosmology Telescope (ACT) has produced large area millimeter-wave maps in three frequency bands along with a large catalog of Sunyaev-Zel'dovich (SZ)-selected clusters as part of its Data Release 5 (DR5). The authors aimed to verify and characterize MaDCoWS clusters using measurements of, or limits on, their thermal SZ effect signatures. They also used these detections to establish the scaling relation between SZ mass and the MaDCoWS-defined richness. Using the maps and cluster catalog from DR5, the authors explore the scaling between SZ mass and cluster richness. They do this by comparing cataloged detections and extracting individual and stacked SZ signals from the MaDCoWS cluster locations. The authors use complementary radio survey data from the Very Large Array, submillimeter data from Herschel, and ACT 224GHz data to assess the impact of contaminating sources on the SZ signals from both ACT and MaDCoWS clusters. They use a hierarchical Bayesian model to fit the mass-richness scaling relation, allowing for clusters to be drawn from two populations: one, a Gaussian centered on the mass-richness relation, and the other, a Gaussian centered on zero SZ signal. This study found that MaDCoWS clusters have submillimeter contamination that is consistent with a gray-body spectrum, while the ACT clusters are consistent with no submillimeter emission on average. Additionally, the intrinsic radio intensities of ACT clusters are lower than those of MaDCoWS clusters, even when the ACT clusters are restricted to the same redshift range as the MaDCoWS clusters. The authors found the best-fit ACT SZ mass versus MaDCoWS richness scaling relation has a slope of p1=1.84-0.14+0.15, where the slope is defined as M ~lambda15p1 and lambda15 is the richness. They also found that the ACT SZ signals for a significant fraction (~57%) of the MaDCoWS sample can statistically be described as being drawn from a noise-like distribution, indicating that the candidates are possibly dominated by low-mass and unvirialized systems that are below the mass limit of the ACT sample. Further, the authors noted that a large portion of the optically confirmed ACT clusters located in the same volume of the sky as MaDCoWS were not selected by MaDCoWS, indicating that the MaDCoWS sample is not complete with respect to SZ selection. Finally, the authors found that the radio loud fraction of MaDCoWS clusters increases with richness, while they found no evidence that the submillimeter emission of the MaDCoWS clusters evolved with richness. The authors concluded that the original MaDCoWS selection function is not well defined and, as such, reiterated the MaDCoWS collaboration's recommendation that the sample is suited for probing cluster and galaxy evolution, but not cosmological analyses. They found a best-fit mass-richness relation slope that agrees with the published MaDCoWS preliminary results. Additionally, they concluded that, while the approximate level of infill of the ACT and MaDCoWS cluster SZ signals (1-2%) is subdominant to other sources of uncertainty for current generation experiments, characterizing and removing this bias will be critical for next-generation experiments hoping to constrain cluster masses at the sub-percent level. This table was created by the HEASARC in April 2022 based upon the link provided by the LAMBDA archive:
에이모 - 야간-도심-맑음-혼잡-직진-가로등 역광-교차로 너머 차량 급정거 원천데이터
공공데이터포털
< 자율주행 시나리오 데이터셋: 원천데이터 > - 데이터셋 유형 - 멀티센서(카메라-LiDAR) 원천데이터 - 10초 동안 주행하며 수집한 자율주행 데이터를 5fps로 추출해 구축한 데이터셋 - 데이터셋 구성 1. 원천데이터_카메라 센서 데이터 1) 전방 FHD 카메라 이미지 데이터(.png): 50frames 2) 후방 FHD 카메라 이미지 데이터(.png): 50frames 3) 좌측방 FHD 카메라 이미지 데이터(.png): 50frames 4) 우측방 FHD 카메라 이미지 데이터(.png): 50frames 2. 원천데이터_LiDAR 센서 데이터 1) 전방위 128ch LiDAR 포인트 클라우드 데이터(.pcd): 50frames 2) 전방 장거리 MEMs LiDAR 포인트 클라우드 데이터(.pcd): 50frames 3) 전방 중거리 MEMs LiDAR 포인트 클라우드 데이터(.pcd): 50frames 4) 후방 MEMs LiDAR 포인트 클라우드 데이터(.pcd): 50frames 5) 후방 사각지대 Hemispherical LiDAR 포인트 클라우드 데이터(.pcd): 50frames 6) 좌측방 사각지대 Hemispherical LiDAR 포인트 클라우드 데이터(.pcd): 50frames 7) 우측방 사각지대 Hemispherical LiDAR 포인트 클라우드 데이터(.pcd): 50frames 8) 전방위 + 후방 사각지대 + 좌측방 사각지대 + 우측방 사각지대 데이터를 융합한 포인트 클라우드 데이터(.pcd): 50frames 3. 원천데이터_메타데이터(파일 속성 정보, 센서 파라미터 정보, 차량 절대위치 및 자세 정보, 차량 상태 정보, 주행 환경 및 상황 정보) 1) 전방 카메라 이미지 메타데이터(.json): 50frames 2) 후방 카메라 이미지 메타데이터(.json): 50frames 3) 좌측방 카메라 이미지 메타데이터(.json): 50frames 4) 우측방 카메라 이미지 메타데이터(.json): 50frames 5) 융합된 전방위 LiDAR 포인트 클라우드 메타데이터(.json): 50frames 4. 데이터셋 정의서
기상청 수치분석일기도
공공데이터포털
수치예보시스템에서 생산된 수치자료 및 관측자료를 이용하여 기상 변수들에 대한 기호와 등치선 등으로 이루어진 일기도를 제공합니다.기상관측을 근거로 하여 2004년부터 수치예보모델에서 고도별 실황을 지도 위에 기입하여 일기실황을 다양하게 분석한 일기도를 서비스합니다. (분석시간 UTC 기준)< 자료요청 방법 >1. 검색을 통해 조회된 결과 목록에서 다운로드 받을 자료 선택 후 담기 버튼 선택합니다.2. '마이페이지 > 대용량자료신청대기목록'에서 다운로드를 신청합니다.3. 제공된 접속정보를 확인하여 FTP로 자료를 다운로드 받을 수 있습니다.※ 최대 신청 가능한 용량은 100GB입니다.
에이모 - 야간-도심-흐림-혼잡-가로등 역광-좌회전 Source
공공데이터포털
자율주행 시나리오 데이터셋: 원천데이터 - 데이터셋 유형 - 멀티센서(카메라-LiDAR) 원천데이터 - 10초 동안 주행하며 수집한 자율주행 데이터를 5fps로 추출해 구축한 데이터셋 - 데이터셋 구성 1. 원천데이터_카메라 센서 데이터 1) 전방 FHD 카메라 이미지 데이터(.png): 50frames 2) 후방 FHD 카메라 이미지 데이터(.png): 50frames 3) 좌측방 FHD 카메라 이미지 데이터(.png): 50frames 4) 우측방 FHD 카메라 이미지 데이터(.png): 50frames 2. 원천데이터_LiDAR 센서 데이터 1) 전방위 128ch LiDAR 포인트 클라우드 데이터(.pcd): 50frames 2) 전방 장거리 MEMs LiDAR 포인트 클라우드 데이터(.pcd): 50frames 3) 전방 중거리 MEMs LiDAR 포인트 클라우드 데이터(.pcd): 50frames 4) 후방 MEMs LiDAR 포인트 클라우드 데이터(.pcd): 50frames 5) 후방 사각지대 Hemispherical LiDAR 포인트 클라우드 데이터(.pcd): 50frames 6) 좌측방 사각지대 Hemispherical LiDAR 포인트 클라우드 데이터(.pcd): 50frames 7) 우측방 사각지대 Hemispherical LiDAR 포인트 클라우드 데이터(.pcd): 50frames 8) 전방위 + 후방 사각지대 + 좌측방 사각지대 + 우측방 사각지대 데이터를 융합한 포인트 클라우드 데이터(.pcd): 50frames 3. 원천데이터_메타데이터(파일 속성 정보, 센서 파라미터 정보, 차량 절대위치 및 자세 정보, 차량 상태 정보, 주행 환경 및 상황 정보) 1) 전방 카메라 이미지 메타데이터(.json): 50frames 2) 후방 카메라 이미지 메타데이터(.json): 50frames 3) 좌측방 카메라 이미지 메타데이터(.json): 50frames 4) 우측방 카메라 이미지 메타데이터(.json): 50frames 5) 융합된 전방위 LiDAR 포인트 클라우드 메타데이터(.json): 50frames 4. 데이터셋 정의서
에이모 - 야간-도심-흐림-원활-가로등 역광-유턴 Source
공공데이터포털
자율주행 시나리오 데이터셋: 원천데이터 - 데이터셋 유형 - 멀티센서(카메라-LiDAR) 원천데이터 - 10초 동안 주행하며 수집한 자율주행 데이터를 5fps로 추출해 구축한 데이터셋 - 데이터셋 구성 1. 원천데이터_카메라 센서 데이터 1) 전방 FHD 카메라 이미지 데이터(.png): 50frames 2) 후방 FHD 카메라 이미지 데이터(.png): 50frames 3) 좌측방 FHD 카메라 이미지 데이터(.png): 50frames 4) 우측방 FHD 카메라 이미지 데이터(.png): 50frames 2. 원천데이터_LiDAR 센서 데이터 1) 전방위 128ch LiDAR 포인트 클라우드 데이터(.pcd): 50frames 2) 전방 장거리 MEMs LiDAR 포인트 클라우드 데이터(.pcd): 50frames 3) 전방 중거리 MEMs LiDAR 포인트 클라우드 데이터(.pcd): 50frames 4) 후방 MEMs LiDAR 포인트 클라우드 데이터(.pcd): 50frames 5) 후방 사각지대 Hemispherical LiDAR 포인트 클라우드 데이터(.pcd): 50frames 6) 좌측방 사각지대 Hemispherical LiDAR 포인트 클라우드 데이터(.pcd): 50frames 7) 우측방 사각지대 Hemispherical LiDAR 포인트 클라우드 데이터(.pcd): 50frames 8) 전방위 + 후방 사각지대 + 좌측방 사각지대 + 우측방 사각지대 데이터를 융합한 포인트 클라우드 데이터(.pcd): 50frames 3. 원천데이터_메타데이터(파일 속성 정보, 센서 파라미터 정보, 차량 절대위치 및 자세 정보, 차량 상태 정보, 주행 환경 및 상황 정보) 1) 전방 카메라 이미지 메타데이터(.json): 50frames 2) 후방 카메라 이미지 메타데이터(.json): 50frames 3) 좌측방 카메라 이미지 메타데이터(.json): 50frames 4) 우측방 카메라 이미지 메타데이터(.json): 50frames 5) 융합된 전방위 LiDAR 포인트 클라우드 메타데이터(.json): 50frames 4. 데이터셋 정의서
에이모 - 야간-도심-맑음-혼잡-좌회전-일반조도 원천데이터
공공데이터포털
< 자율주행 시나리오 데이터셋: 원천데이터 > - 데이터셋 유형 - 멀티센서(카메라-LiDAR) 원천데이터 - 10초 동안 주행하며 수집한 자율주행 데이터를 5fps로 추출해 구축한 데이터셋 - 데이터셋 구성 1. 원천데이터_카메라 센서 데이터 1) 전방 FHD 카메라 이미지 데이터(.png): 50frames 2) 후방 FHD 카메라 이미지 데이터(.png): 50frames 3) 좌측방 FHD 카메라 이미지 데이터(.png): 50frames 4) 우측방 FHD 카메라 이미지 데이터(.png): 50frames 2. 원천데이터_LiDAR 센서 데이터 1) 전방위 128ch LiDAR 포인트 클라우드 데이터(.pcd): 50frames 2) 전방 장거리 MEMs LiDAR 포인트 클라우드 데이터(.pcd): 50frames 3) 전방 중거리 MEMs LiDAR 포인트 클라우드 데이터(.pcd): 50frames 4) 후방 MEMs LiDAR 포인트 클라우드 데이터(.pcd): 50frames 5) 후방 사각지대 Hemispherical LiDAR 포인트 클라우드 데이터(.pcd): 50frames 6) 좌측방 사각지대 Hemispherical LiDAR 포인트 클라우드 데이터(.pcd): 50frames 7) 우측방 사각지대 Hemispherical LiDAR 포인트 클라우드 데이터(.pcd): 50frames 8) 전방위 + 후방 사각지대 + 좌측방 사각지대 + 우측방 사각지대 데이터를 융합한 포인트 클라우드 데이터(.pcd): 50frames 3. 원천데이터_메타데이터(파일 속성 정보, 센서 파라미터 정보, 차량 절대위치 및 자세 정보, 차량 상태 정보, 주행 환경 및 상황 정보) 1) 전방 카메라 이미지 메타데이터(.json): 50frames 2) 후방 카메라 이미지 메타데이터(.json): 50frames 3) 좌측방 카메라 이미지 메타데이터(.json): 50frames 4) 우측방 카메라 이미지 메타데이터(.json): 50frames 5) 융합된 전방위 LiDAR 포인트 클라우드 메타데이터(.json): 50frames 4. 데이터셋 정의서
에이모 - 야간-도심-흐림-혼잡-가로등 역광-직진-대로 주행 Source
공공데이터포털
자율주행 시나리오 데이터셋: 원천데이터 - 데이터셋 유형 - 멀티센서(카메라-LiDAR) 원천데이터 - 10초 동안 주행하며 수집한 자율주행 데이터를 5fps로 추출해 구축한 데이터셋 - 데이터셋 구성 1. 원천데이터_카메라 센서 데이터 1) 전방 FHD 카메라 이미지 데이터(.png): 50frames 2) 후방 FHD 카메라 이미지 데이터(.png): 50frames 3) 좌측방 FHD 카메라 이미지 데이터(.png): 50frames 4) 우측방 FHD 카메라 이미지 데이터(.png): 50frames 2. 원천데이터_LiDAR 센서 데이터 1) 전방위 128ch LiDAR 포인트 클라우드 데이터(.pcd): 50frames 2) 전방 장거리 MEMs LiDAR 포인트 클라우드 데이터(.pcd): 50frames 3) 전방 중거리 MEMs LiDAR 포인트 클라우드 데이터(.pcd): 50frames 4) 후방 MEMs LiDAR 포인트 클라우드 데이터(.pcd): 50frames 5) 후방 사각지대 Hemispherical LiDAR 포인트 클라우드 데이터(.pcd): 50frames 6) 좌측방 사각지대 Hemispherical LiDAR 포인트 클라우드 데이터(.pcd): 50frames 7) 우측방 사각지대 Hemispherical LiDAR 포인트 클라우드 데이터(.pcd): 50frames 8) 전방위 + 후방 사각지대 + 좌측방 사각지대 + 우측방 사각지대 데이터를 융합한 포인트 클라우드 데이터(.pcd): 50frames 3. 원천데이터_메타데이터(파일 속성 정보, 센서 파라미터 정보, 차량 절대위치 및 자세 정보, 차량 상태 정보, 주행 환경 및 상황 정보) 1) 전방 카메라 이미지 메타데이터(.json): 50frames 2) 후방 카메라 이미지 메타데이터(.json): 50frames 3) 좌측방 카메라 이미지 메타데이터(.json): 50frames 4) 우측방 카메라 이미지 메타데이터(.json): 50frames 5) 융합된 전방위 LiDAR 포인트 클라우드 메타데이터(.json): 50frames 4. 데이터셋 정의서
에이모 - 야간-도심-맑음-혼잡-직진-우측방-헤드라이트 역광-ptw 주행 원천데이터
공공데이터포털
< 자율주행 시나리오 데이터셋: 원천데이터 > - 데이터셋 유형 - 멀티센서(카메라-LiDAR) 원천데이터 - 10초 동안 주행하며 수집한 자율주행 데이터를 5fps로 추출해 구축한 데이터셋 - 데이터셋 구성 1. 원천데이터_카메라 센서 데이터 1) 전방 FHD 카메라 이미지 데이터(.png): 50frames 2) 후방 FHD 카메라 이미지 데이터(.png): 50frames 3) 좌측방 FHD 카메라 이미지 데이터(.png): 50frames 4) 우측방 FHD 카메라 이미지 데이터(.png): 50frames 2. 원천데이터_LiDAR 센서 데이터 1) 전방위 128ch LiDAR 포인트 클라우드 데이터(.pcd): 50frames 2) 전방 장거리 MEMs LiDAR 포인트 클라우드 데이터(.pcd): 50frames 3) 전방 중거리 MEMs LiDAR 포인트 클라우드 데이터(.pcd): 50frames 4) 후방 MEMs LiDAR 포인트 클라우드 데이터(.pcd): 50frames 5) 후방 사각지대 Hemispherical LiDAR 포인트 클라우드 데이터(.pcd): 50frames 6) 좌측방 사각지대 Hemispherical LiDAR 포인트 클라우드 데이터(.pcd): 50frames 7) 우측방 사각지대 Hemispherical LiDAR 포인트 클라우드 데이터(.pcd): 50frames 8) 전방위 + 후방 사각지대 + 좌측방 사각지대 + 우측방 사각지대 데이터를 융합한 포인트 클라우드 데이터(.pcd): 50frames 3. 원천데이터_메타데이터(파일 속성 정보, 센서 파라미터 정보, 차량 절대위치 및 자세 정보, 차량 상태 정보, 주행 환경 및 상황 정보) 1) 전방 카메라 이미지 메타데이터(.json): 50frames 2) 후방 카메라 이미지 메타데이터(.json): 50frames 3) 좌측방 카메라 이미지 메타데이터(.json): 50frames 4) 우측방 카메라 이미지 메타데이터(.json): 50frames 5) 융합된 전방위 LiDAR 포인트 클라우드 메타데이터(.json): 50frames 4. 데이터셋 정의서
에이모 - 야간-도심-맑음-혼잡-유턴-가로등 역광-객체 흐림 원천데이터
공공데이터포털
< 자율주행 시나리오 데이터셋: 원천데이터 > - 데이터셋 유형 - 멀티센서(카메라-LiDAR) 원천데이터 - 10초 동안 주행하며 수집한 자율주행 데이터를 5fps로 추출해 구축한 데이터셋 - 데이터셋 구성 1. 원천데이터_카메라 센서 데이터 1) 전방 FHD 카메라 이미지 데이터(.png): 50frames 2) 후방 FHD 카메라 이미지 데이터(.png): 50frames 3) 좌측방 FHD 카메라 이미지 데이터(.png): 50frames 4) 우측방 FHD 카메라 이미지 데이터(.png): 50frames 2. 원천데이터_LiDAR 센서 데이터 1) 전방위 128ch LiDAR 포인트 클라우드 데이터(.pcd): 50frames 2) 전방 장거리 MEMs LiDAR 포인트 클라우드 데이터(.pcd): 50frames 3) 전방 중거리 MEMs LiDAR 포인트 클라우드 데이터(.pcd): 50frames 4) 후방 MEMs LiDAR 포인트 클라우드 데이터(.pcd): 50frames 5) 후방 사각지대 Hemispherical LiDAR 포인트 클라우드 데이터(.pcd): 50frames 6) 좌측방 사각지대 Hemispherical LiDAR 포인트 클라우드 데이터(.pcd): 50frames 7) 우측방 사각지대 Hemispherical LiDAR 포인트 클라우드 데이터(.pcd): 50frames 8) 전방위 + 후방 사각지대 + 좌측방 사각지대 + 우측방 사각지대 데이터를 융합한 포인트 클라우드 데이터(.pcd): 50frames 3. 원천데이터_메타데이터(파일 속성 정보, 센서 파라미터 정보, 차량 절대위치 및 자세 정보, 차량 상태 정보, 주행 환경 및 상황 정보) 1) 전방 카메라 이미지 메타데이터(.json): 50frames 2) 후방 카메라 이미지 메타데이터(.json): 50frames 3) 좌측방 카메라 이미지 메타데이터(.json): 50frames 4) 우측방 카메라 이미지 메타데이터(.json): 50frames 5) 융합된 전방위 LiDAR 포인트 클라우드 메타데이터(.json): 50frames 4. 데이터셋 정의서
Distributed Anomaly Detection Using Satellite Data From Multiple Modalities
공공데이터포털
There has been a tremendous increase in the volume of Earth Science data over the last decade from modern satellites, in-situ sensors and different climate models. All these datasets need to be co-analyzed for finding interesting patterns or for searching for extremes or outliers. Information extraction from such rich data sources using advanced data mining methodologies is a challenging task not only due to the massive volume of data, but also because these datasets are physically stored at different geographical locations. Moving these petabytes of data over the network to a single location may waste a lot of bandwidth, and can take days to finish. To solve this problem, in this paper, we present a novel algorithm which can identify outliers in the global data without moving all the data to one location. The algorithm is highly accurate (close to 99%) and requires centralizing less than 5% of the entire dataset. We demonstrate the performance of the algorithm using data obtained from the NASA MODerate-resolution Imaging Spectroradiometer (MODIS) satellite images.
목록