Cross-Domain Few-Shot Object Detection (CD-FSOD) Datasets

跨域少样本目标检测挑战数据集，包括源数据集COCO和验证数据集ArTaxOr, Clipart1k, DeepFish等。

Cross-Domain Few-Shot Object Detection Challenge Dataset, comprising the source dataset COCO and validation datasets including ArTaxOr, Clipart1k, DeepFish, and others.

原始信息汇总

NTIRE2025_CDFSOD 数据集概述

数据集简介

• 名称：NTIRE 2025 Challenge on 1-st Cross-Domain Few-Shot Object Detection @ CVPR 2025
• 任务：跨域少量样本目标检测（Cross-Domain Few-Shot Object Detection，CD-FSOD）
• 目标：推动跨域场景下目标检测方法的发展，使用非常少的标记目标图像

环境设置

• 推荐使用Anaconda进行环境管理

• 环境创建命令： bash conda create -n cdfsod python=3.9 conda activate cdfsod

• 安装其他库命令： bash cd NTIRE2025_CDFSOD pip install -r requirements.txt pip install -e ./

验证数据集

• 源数据：COCO

• 验证数据集：ArTaxOr、Clipart1k、DIOR、DeepFish、NEU-DET、UODD

• 数据集下载链接：Google Drive

• 数据集组织结构： bash |NTIRE2025_CDFSOD/datasets/ |--clipart1k/ | |--annotations | |--test | |--train |--DIOR/ | |--annotations | |--test | |--train |--......

• 权重文件组织结构： bash |NTIRE2025_CDFSOD/weights/ |--trained/ | |--vitl_0089999.pth |--background/ | |--background_prototypes.vitl14.pth

基线模型测试

• 运行CD-ViTO： bash bash main_results.sh

• 运行DE-ViT-FT： bash bash main_results.sh --controller

评估标准与公平性

• 主要评估指标：平均精度均值（Mean Average Precision，mAP）
• 比赛平台：待定（Codalab / EvalAI / Kaggle）
• 提交格式：COCO风格的JSON注释
• 训练限制：参赛者可以使用任何公开可用的预训练模型，但不得直接使用提供的测试集进行训练或微调
• 提交声明：每个提交都必须包括一个可再现性声明，详细说明模型的训练策略和使用的预训练资源

提供资源

• CD-FSOD基准数据集：为评估跨域FSOD模型设计的具有不同源域和目标域的数据集
• 基线模型：提供DE-ViT和CD-ViTO的基线实现、训练脚本和基准结果
• 评估服务器：参赛者将提交结果至在线排行榜进行验证和测试

参考文献

• 论文引用信息：

  @inproceedings{fu2025cross, title={Cross-domain few-shot object detection via enhanced open-set object detector}, author={Fu, Yuqian and Wang, Yu and Pan, Yixuan and Huai, Lian and Qiu, Xingyu and Shangguan, Zeyu and Liu, Tong and Fu, Yanwei and Van Gool, Luc and Jiang, Xingqun}, booktitle={European Conference on Computer Vision}, pages={247--264}, year={2025}, organization={Springer} }

搜集汇总

数据集介绍

构建方式

NTIRE2025_CDFSOD数据集针对跨域少量样本目标检测任务而构建，其核心在于推动目标检测算法在仅有少量标注样本的跨域场景下的性能界限。数据集的构建涉及源域数据（如COCO数据集）与多个目标域数据（如ArTaxOr、Clipart1k等），旨在评估模型在源域知识迁移至目标域的能力。

使用方法

使用该数据集的步骤首先涉及环境的搭建，推荐使用Anaconda进行环境管理。接着，从提供的链接下载必要的验证数据集，并按照特定的目录结构组织数据与权重文件。最后，通过运行提供的脚本，可以测试不同的基线模型，并按照挑战的要求提交预测结果，以在在线排行榜上进行验证。

背景与挑战

背景概述

NTIRE2025_CDFSOD数据集是在计算机视觉领域的一个竞赛中创建的，旨在推动跨领域少样本目标检测技术的发展。该竞赛由研究人员Fu Yuqian、Wang Yu、Pan Yixuan等人于2025年在CVPR会议上发起。该数据集的核心研究问题是，如何在跨领域场景中，仅使用非常有限的标注目标图像进行目标检测。NTIRE2025_CDFSOD的创建，对于推动少样本学习和跨领域目标检测领域的科学研究和技术应用具有重要的意义。

当前挑战

该数据集在构建和应用过程中面临的挑战主要包括：1)如何在跨领域设置中，利用少量样本进行有效的目标检测；2)如何在不同领域中有效地迁移和利用源域的知识；3)构建一个公平和具有挑战性的基准，确保模型在未见过的测试集上能够展现出良好的泛化能力。此外，竞赛中的模型评估和排行榜管理也是一个挑战，需要确保提交的预测结果具有可重复性和公平性。

常用场景

经典使用场景

NTIRE2025_CDFSOD数据集专注于跨域少量样本目标检测领域，其经典使用场景在于评估模型在极为有限的标注样本条件下，跨不同数据域进行目标检测的能力。参赛者需在提供的源域数据集上进行训练，然后在未见过的目标域数据集上进行测试，旨在推动目标检测技术在跨域少量样本学习方面的研究进展。

解决学术问题

该数据集解决了传统目标检测方法在少量样本和跨域条件下的泛化能力不足问题，为学术界提供了研究跨域迁移学习和少量样本学习算法性能的可靠基准。通过这一挑战，研究者能够探索和开发出更高效、更鲁棒的目标检测模型，对于提升模型的泛化能力和在实际应用中的适应性具有重大意义。

实际应用

在实际应用中，NTIRE2025_CDFSOD数据集的相关研究成果可被应用于多种场景，如跨摄像头跟踪、图像检索、医疗影像分析等，其中模型需在数据缺乏的条件下作出准确判断。这些应用场景对于提升系统在数据稀缺环境下的自适应性具有重要价值。

数据集最近研究

最新研究方向

在当前计算机视觉领域，跨域少量样本对象检测（Cross-Domain Few-Shot Object Detection, CD-FSOD）的研究备受关注。NTIRE2025_CDFSOD数据集作为该领域的新兴挑战，旨在推动跨域场景下对象检测方法的研究。该数据集的最新研究方向聚焦于在仅需少量标记目标图像的情况下，如何有效利用源域知识以提高目标域的检测准确性。研究者们在此数据集上探索创新解决方案，力求在保证检测准确性的同时，提升模型的效率和少量样本学习的能力。这一研究对于拓展对象检测技术的应用边界，提高模型在真实世界复杂场景下的泛化能力具有重要意义。