本数据集包含两类甲状腺结节影像样本：良性结节和恶性结节。旨在构建高精度的图像分类模型，实现对甲状腺结节健康状态的自动识别与判定。通过对大量标注清晰的甲状腺结节影像进行深度学习训练，模型能够自动提取甲状腺结节的关键特征，区分良性结节与恶性结节，从而为临床提供辅助诊断依据。该数据集的建立旨在推动深度学习与人工智能技术在甲状腺结节早期筛查与智能诊断中的应用，助力实现甲状腺结节医疗影像分析的标准化与智能化

随着教育信息化的深入发展，考试监考工作面临着人力成本高、监控效率低、主观判断差异大等挑战。为推动智能监考技术的发展，本研究构建了一个面向考试异常行为检测的大规模标注数据集。该数据集包含5,463张高质量图像，按照7:2:1的比例划分为训练集（3,824张）、验证集（1,092张）和测试集（547张），确保了模型训练和评估的科学性。

摘要：随着可再生能源在微能源网中的高比例接入，其输出功率的不确定性和波动性给系统的稳定运行和经济调度带来了巨大挑战。本文针对光伏与风电发电的不确定性，提出了一种基于深度强化学习的微能源网能量管理与优化策略。首先，构建了包含光伏、风电、联合发电单元、电池储能以及电/热/冷负荷的微能源网仿真环境，综合考虑了电价波动、储能约束和设备运行特性。在此基础上，设计了深度确定性策略梯度（DDPG）算法对能量管理

本研究采用的人员异常行为检测数据集由研究团队自主构建，具备完整的数据采集、标注与整理流程，并具有明确的自主知识产权。数据集面向智能安防应用场景，涵盖正常行为及打架、斗殴、抢劫、盗窃等多类异常行为，样本来源于不同视角和光照条件下的模拟监控环境。数据标注严格遵循 YOLO 目标检测格式，为基于 YOLO 系列模型的人员异常行为检测提供了可靠的数据基础。

本数据集包含帕金森症手绘图像，涵盖健康、轻度、中度和重度四个阶段。基于Swin Transformer模型，通过深度学习自动提取特征并输出分类标签和置信度，助力帕金森症的智能诊断和早期筛查。

随着智能交通系统的快速发展，车辆识别技术在交通管理、智能停车、安全监控等领域发挥着越来越重要的作用。传统的车辆识别方法存在识别精度低、实时性差、适应性弱等问题，难以满足实际应用需求。本文设计并实现了一个基于YOLO11深度学习算法的车辆品牌与类型智能识别系统，旨在提高车辆识别的准确性和实时性。

随着人口老龄化进程的不断加快，老年人因摔倒、滑倒等意外行为导致的伤害风险显著上升，如何实现对老年人异常行为的及时、准确监测已成为智能养老领域亟需解决的问题。针对传统人工监护方式实时性差、误报率高以及适用场景受限等不足，本文设计并实现了一种基于深度学习的老年人摔倒与滑倒行为自动检测及智能报警系统。

本数据集包含不同类型的皮肤病变影像样本：痤疮、湿疹、健康皮肤、指甲真菌感染、皮肤疣、皮肤良性痣和皮肤恶性痣。旨在构建高精度的图像分类模型，实现对皮肤病变健康状态的自动识别与判定。通过对大量标注清晰的皮肤病变影像进行深度学习训练，模型能够自动提取皮肤病变的关键特征，区分不同病变类型，从而为临床提供辅助诊断依据。该数据集的建立旨在推动深度学习与人工智能技术在皮肤病变早期筛查与智能诊断中的应用，助力实现

本数据集为樱桃叶部病害图像分类数据集，包含樱桃健康叶片与多种樱桃叶部病害叶片图像。 数据集旨在基于轻量化卷积神经网络 MobileNetV3 模型，利用深度学习技术自动提取叶片特征并输出分类标签与置信度，从而实现樱桃叶部病害的智能识别与快速分类。

本数据集包含肝脏MRI影像样本：良性肿瘤（Benign）和恶性肿瘤（Malignant）。通过深度学习训练，模型能够自动提取肿瘤的关键特征，区分肝脏肿瘤类型并输出分类标签与置信度评分，为临床提供辅助诊断依据。该数据集旨在推动肝脏肿瘤的智能诊断与早期筛查，助力肝脏医学影像分析的智能化。