Mini-ImageNet

Mini-ImageNet最初由Google DeepMind（Vinyals等人）在2016年为了评估匹配网络（Matching Networks）而提出，现已成为少样本学习和少样本连续学习（FSCIL）领域最权威、最通用的基准数据集之一。Mini-ImageNet是从原始的大规模ImageNet (ILSVRC-2012) 数据集中抽样构建的子集。它的提出是为了解决CIFAR-100图像过于简单（分辨率低），而完整ImageNet计算过于庞大且不便于快速迭代少样本算法的问题。Mini-ImageNet保留了ImageNet中图像的复杂性和多样性，但大幅缩减了规模，因此被广泛用于评估模型在数据受限场景下的泛化能力，特别是在类增量学习设置下，测试模型能否通过极少量样本（如每类仅5张）迅速掌握新类别而不遗忘旧知识。该数据集基于ImageNet (ILSVRC-2012) 数据库人工筛选产生。 主要内容为彩色RGB物体图像。 为了适应少样本学习算法的训练效率，图像通常被调整为84×84像素。 在少样本连续学习（FSCIL）的标准实验协议中，通常采用“60+40”的划分模式：将数据集划分为一个包含60个类别的基础任务（Base Task），以及随后分8-9个阶段到达的40个新类别（Incremental Tasks）。Mini-ImageNet共包含100个类别（如鸟类、犬类、容器、车辆等）。 数据量包含60,000张图像，每个类别包含600张图像（通常按500张训练、100张测试划分）。 在典型的N-way K-shot（如5-way 5-shot）连续学习实验中，模型首先在数据充足的60个基础类上训练，随后的每个增量阶段仅提供5个新类，且每个新类仅提供5张样本，要求模型实现持续的知识累积。