SVHN（街景门牌号）数据集是由谷歌街景车辆拍摄的门牌号照片中提取出的数字图像集合。该数据集于2011年由谷歌的研究人员（包括Yuval Netzer、Tao Wang、Adam Coates、Alessandro Bissacco、Bo Wu和Andrew Y. Ng）提出，作为经典MNIST手写数字识别数据集的一个更具挑战性和现实性的替代方案。SVHN包含超过60万张带标签的数字图像，每张图像都是从更大的街景照片中裁剪出来的。该数据集旨在测试算法在自然、杂乱场景中识别数字的能力，在这些场景中，数字可能发生扭曲、部分遮挡，或被其他文本和物体包围。它已成为机器学习和深度学习研究中的标准基准，用于数字分类、目标检测和序列识别等任务。
该数据集分为三个部分：训练集包含73,257张图像，测试集包含26,032张图像，另外还有531,131张“额外”图像可用于训练。每张图像都是32x32像素的彩色（RGB）图像，以单个数字为中心，但通常包含相邻数字的部分或其它视觉噪声。标签是实际的数字值（0-9）。SVHN因其真实世界来源而著称：图像来自实际的门牌号，呈现出多种字体、颜色、背景和光照条件。这使得它比合成数据集更贴近现实，已被用于评估神经网络架构的鲁棒性、数据增强技术和迁移学习方法。
数据集特征与挑战
与MNIST中数字书写清晰且居中的情况不同，SVHN图像包含显著的视觉杂乱。单个数字可能被路标、窗户或另一个数字部分遮挡。数字本身可能发生旋转、倾斜或具有不同的笔画粗细。背景可能包括砖墙、门、植物或其他建筑元素。这些因素使SVHN成为更困难的分类任务，人类水平的表现估计约为98%的准确率，而最先进的深度学习模型在测试集上已实现超过99%的准确率。该数据集还为每张图像提供了“数字结构”标注，指定了原始完整图像中所有数字的边界框，这支持了数字定位和多数字识别等任务。
“额外”集合对于半监督学习实验特别有用，因为它提供了大量未标记（或弱标记）的数据。许多研究论文使用SVHN来展示数据增强（例如，随机裁剪、旋转、颜色抖动）、批归一化和残差连接等技术的有效性。该数据集也是基准测试生成式AI模型的常见选择，因为其图像尺寸相对较小且复杂度适中。
研究中的应用
SVHN已被广泛用于学术和工业研究。它作为图像分类算法的标准测试平台，通常与MNIST和CIFAR-10配对用于比较研究。在2010年代初期，它是展示深度卷积神经网络（CNN）能力的关键数据集。例如，在2012年，斯坦福人工智能实验室和其他机构的研究人员使用SVHN证明了深度CNN可以超越传统的基于手工特征的方法。该数据集也被用于领域自适应研究，其中在合成数据（如MNIST）上训练的模型被调整为适应真实世界数据（如SVHN）。
除了分类之外，SVHN还用于目标检测任务，其目标是在完整的街景图像中定位并识别所有数字。完整图像（不仅仅是裁剪后的数字）是可用的，边界框标注允许训练检测模型。这在自动地址识别中有应用，与通腾和威摩等导航系统和地图服务相关。该数据集也被用于对抗鲁棒性研究，因为其自然复杂性使其成为对抗性攻击的挑战性目标。
与其他数据集的比较
SVHN经常与MNIST进行比较，MNIST包含70,000个手写数字（28x28灰度）。虽然MNIST被认为“已解决”（模型准确率超过99.7%），但SVHN仍然是一个更具挑战性的基准。关键区别在于：（1）SVHN图像是彩色的且更大（32x32），（2）它们包含背景杂乱，（3）数字可能发生扭曲和部分遮挡，（4）标签分布更均衡（MNIST存在轻微不平衡）。SVHN也与CIFAR-10数据集相似，但CIFAR-10包含一般物体（飞机、汽车、动物）而非数字。对于对真实世界场景中数字识别感兴趣的研究人员来说，SVHN是事实上的标准。
该数据集也被用于开发人工智能系统，用于自动化文档处理，例如从街景图像中读取门牌号。谷歌深度思维和开放人工智能等公司在其研究中使用过SVHN，尽管它更常与学术实验室相关联。该数据集可免费下载，其流行度使其被纳入许多机器学习库和教程中。
未来方向与局限性
虽然SVHN是一个宝贵的资源，但它也有局限性。图像分辨率相对较低（32x32），可能无法捕捉到精细细节。该数据集仅限于数字，因此不涵盖字母或其他字符。研究人员已创建了扩展版本，例如“SVHN完整”数据集，其中包含未裁剪的原始完整图像。截至2020年代中期，SVHN仍被广泛使用，但像谷歌的“街景文本”或各种场景文本数据集等更新的数据集已出现，用于更复杂的任务。尽管如此，SVHN仍然是学生和研究人员学习计算机视觉和深度学习的标准入门点。其简单性与真实世界的复杂性相结合，使其成为原型新算法和教育目的的理想数据集。